Introduction
A model is a mathematical representation that may help to explain a system and to study the effects of different components, and to make predictions about behavior.
The modeling process follows through a number of steps:
- Define the modeling objective
- Obtain the data that would solve the modeling objective
- Structure and cleaning the data
- Feature Engineering
- Modeling
- Model validation
For this tutorial, we will consider a public dataset for auto insurance. To answer the first point above, the objective can be two-fold :
- Predicting the likelihood that someone will claim (Frequency Model)
- Predicting the cost of a claim if a claim occurs (Severity Model)
We will only consider the Frequency model for today.
By answering what type of person is more or less likely to claim, we can thereby know who should pay more or less for their insurance premium.
To answer the second point, in this case the data was obtained from an open source R library.
Setup Code and Load Data
options(scipen = 999)
library(tidyverse)
library(dplyr)
library(insuranceData)
library(caret)
library(pROC)
library(pdp)
library(MLmetrics)
data("dataCar")
dataCar veh_value exposure clm numclaims claimcst0 veh_body veh_age gender area
1 1.06 0.3039014 0 0 0 HBACK 3 F C
2 1.03 0.6488706 0 0 0 HBACK 2 F A
3 3.26 0.5694730 0 0 0 UTE 2 F E
4 4.14 0.3175907 0 0 0 STNWG 2 F D
5 0.72 0.6488706 0 0 0 HBACK 4 F C
6 2.01 0.8542094 0 0 0 HDTOP 3 M C
agecat X_OBSTAT_
1 2 01101 0 0 0
2 4 01101 0 0 0
3 2 01101 0 0 0
4 2 01101 0 0 0
5 2 01101 0 0 0
6 4 01101 0 0 0
[ reached 'max' / getOption("max.print") -- omitted 67850 rows ]Structure and cleaning the data
Structuring the data in the correct way is the most important step to solve any modeling question. If the data isn’t structured in the right way, any results from the model won’t be reliable at all.
In the example below we see how a classical pricing database should be structured.
The data in this example is already structured in a clean and clear way, however, we will perform some data cleaning in this step.
$veh_value
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.000 1.010 1.500 1.777 2.150 34.560
$exposure
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.002738 0.219028 0.446270 0.468651 0.709103 0.999316
$clm
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.00000 0.00000 0.00000 0.06814 0.00000 1.00000
$numclaims
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.00000 0.00000 0.00000 0.07276 0.00000 4.00000
$claimcst0
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.0 0.0 0.0 137.3 0.0 55922.1
$veh_body
BUS CONVT COUPE HBACK HDTOP MCARA MIBUS PANVN RDSTR SEDAN STNWG TRUCK UTE
48 81 780 18915 1579 127 717 752 27 22233 16261 1750 4586
$veh_age
Min. 1st Qu. Median Mean 3rd Qu. Max.
1.000 2.000 3.000 2.674 4.000 4.000
$gender
F M
38603 29253
$area
A B C D E F
16312 13341 20540 8173 5912 3578
$agecat
Min. 1st Qu. Median Mean 3rd Qu. Max.
1.000 2.000 3.000 3.485 5.000 6.000
$X_OBSTAT_
01101 0 0 0
67856 When we consider the data to clean, there is no hard and fast rules, but some ideas to look out for are :
- Missing values in numeric features can be imputed with the mean/median or other advanced methods such as multiple imputation
- Extreme values for numeric features can be excluded by capping and collaring
- Missing values in categorical features can be imputed with the mode
- Categorical values can have lots of modalities (levels) and if so this will cause issues with the modeling part, this can be solved in a number of ways, but the simplest would be to group low-modal levels together as “other” and keep the top one seperately.
Vehicle Value
This should not be 0 and there are some extremely high values that we can get rid of
Please note that this is a perfect example of when to ask questions. Vehicle values simply cannot be 0, so this could either mean that the data is missing or that we need to exclude these from the model, depending on what the reason for the 0’s in the data is
Vehicle Body
The vehicle body is a categorical variable and as such we could have a situation where we have loads of modalities.
[1] 13In this case 13 levels are not too much, so no grouping based on the number of modalities is necessary. However, it might be useful to perform the grouping based on the low levels.
.
BUS CONVT COUPE HBACK HDTOP MCARA
0.0007073803 0.0011937043 0.0114949304 0.2787520632 0.0232698656 0.0018716105
MIBUS PANVN RDSTR SEDAN STNWG TRUCK
0.0105664938 0.0110822919 0.0003979014 0.3276497288 0.2396398255 0.0257899080
UTE
0.0675842962 Using intuition, we can see that BUS only represents 0.07% of the data, this will most likely not have much predictive power. We could fix this by grouping it with other variables and at the same time we can do the same with other vehicle groups. Note this is personally selected and could potentially not make a lot of sense - this should be confirmed with experts. There are also other ways of doing this, the most commonly known is clustering, which is an unsupervised technique.
Feature Engineering
There is not much room for feature engineering in this example, but generally speaking this step includes things such as :
- Extracting information from text (e.g. ‘Mr. John’, ‘Mrs Jones’ - here we can get the title and gender from the name)
- Calculating time differences based on dates (e.g. date of birth, date of purchase = age of client)
- Transforming data (a classic example is log-transformation of some variables, which creates a linear relationship between the variables - most relevant for linear models)
There is not right or wrong answer, but more a trial and error in this step, anything can be tested to see the impact on the model. This is where a lot of “art” happens.
Modelling
Modeling is really easy
myFirstModel <- lm(dataCar$numclaims ~ dataCar$veh_value + dataCar$exposure + dataCar$veh_body + dataCar$veh_age + dataCar$gender + dataCar$area + dataCar$agecat)That is it, we just trained our first model, in 1 line of code.
Is this a good model is a completely different question. We won’t be going into a lot of modeling detail in this example, but rather just cover the basic steps in training a model.
Target Variable
The target variable (or dependent variables) should never have missing values, if this occurs then we can simply ignore those rows of data where the target is missing. The same can be said for cases where the target variable behaves in ways that is not appropriate (imagine predicting house price and observing negative, zero or VERY small positive numbers).
In our case we are predicting the probability of someone claiming, keeping that in mind let’s look at the data
.
0 1
0.93185569 0.06814431 .
0 1 2 3 4
0.93185569441 0.06385581231 0.00399375147 0.00026526763 0.00002947418 In the first table we see if someone claimed or not, in the second we can see the number of times the person claimed (let’s say in a year). In classical insurance frequency modeling this is modeled as a Poisson regression since this is a count model, where people could claim more than just once.
What is interesting to note here is in the first table where we only observe 6.8% of people claiming. This is known as an unbalanced dataset. What this means is that we observe a lot less 1’s than 0’s. We can already suspect that this won’t be easy to model because of this imbalance. To understand this more broadly, imagine if I gave you all the data in the world would you have been able to predict the COVID-19 event occurring? Probably not, because this is such an incredibly rare event. On the other hand, if I ask you to predict someone’s gender with all the data you could ever need, would this be possible? Yes, quite easily in-fact, you would mostly need, age, weight and height and you would relatively easily be able to say who is who.
There are ways of dealing with this unbalance (SMOTE is one of them), but we won’t get into that now.
Modelling Framework
The next step is to define the modeling framework, this is essentially defining the key variables for the model that we would be interested in.
target <- "numclaims"
feats <- c("veh_value", "veh_body", "veh_age", "gender", "area", "agecat")
expo <- "exposure"
modDat <- dataCar[, c(target, feats, expo)]You will see that we did not include 2 variables as features clm and claimcst0 as these are known as proxy variables. Since we are modeling the claim count, if we use the variable clm which indicates if a claim occurred or not, then it would simply use the clm variable each time to predict the count and get the target almost perfectly predicted, similarly the claimcst0. We also separated the exposure variable from the features, this is done since we will add the exposure as a sort of weight to the model instead of a regular feature.
The classical definition of exposure in insurance is the amount of time the insurance company is exposed to an individual’s risk. So if someone signed up for a policy on 1 Jan and we look at the policy at the end of June, the exposure would be 0.5. Meaning if someone with an exposure of 0.1 already had a claim vs someone with exposure of 0.9 then the claim associate with the 0.1 exposure should weight more.
Dummy Variables
The next step is to create our dummy variables (or one-hot-encoding). This is basically giving character value a numeric representation
modDatDummy <- modDat %>% dummyVars(formula = "~.", fullRank = F)
modDat <- predict(modDatDummy, modDat) %>% as.data.frame()
names(modDat) [1] "numclaims" "veh_value" "veh_bodyBUS_Class"
[4] "veh_bodyHBACK" "veh_bodyHDTOP" "veh_bodyMCARA"
[7] "veh_bodyPANVN" "veh_bodySEDAN" "veh_bodySPORT_Class"
[10] "veh_bodySTNWG" "veh_bodyUTE" "veh_age"
[13] "gender.F" "gender.M" "area.A"
[16] "area.B" "area.C" "area.D"
[19] "area.E" "area.F" "agecat"
[22] "exposure" numclaims veh_value veh_bodyBUS_Class veh_bodyHBACK veh_bodyHDTOP
1 0 1.06 0 1 0
2 0 1.03 0 1 0
3 0 3.26 0 0 0
veh_bodyMCARA veh_bodyPANVN veh_bodySEDAN veh_bodySPORT_Class veh_bodySTNWG
1 0 0 0 0 0
2 0 0 0 0 0
3 0 0 0 0 0
veh_bodyUTE veh_age gender.F gender.M area.A area.B area.C area.D area.E
1 0 3 1 0 0 0 1 0 0
2 0 2 1 0 1 0 0 0 0
3 1 2 1 0 0 0 0 0 1
area.F agecat exposure
1 0 2 0.3039014
2 0 4 0.6488706
3 0 2 0.5694730
[ reached 'max' / getOption("max.print") -- omitted 67853 rows ]Train and Test
Before we start modeling we split the data into 2 or 3 groups :
- The training set
- The test set
- The validation set
The training set is the data that we will use to train our model, we can go back and forth and “play” with this dataset as much as we want.
The test set is a data set used outside of the training set, this is “untouched” data and if the model predicts well on this dataset, then we know that the model is good.
The final dataset is the validation set, this is optional but highly recommended - depending on how much data you have. This is completely untouched data, how this is different to the test data is in the process. When we train and test we imperatively go back and forth between these two datasets and potentially creating a sort of artificially fit to the test data. The validation dataset is used right at the end to confirm the performance of the test and train set being stable
Why is this split important? Well, training a model on the full dataset will likely result in something called “overfitting” which is the occurance where the model predicts the training data really well, but does not generalize to unseen data. This splitting of the data solves the problem.
You will see that we use set.seed at some parts in the code, this is simply to ensure reproducibility and should be used each time a random number is being generated. For more information on this topic please refer to this link
Parameter Optimization
After we set up the datasets, we then have to decide on the model form. There are many to choose from and each have their own advantages and disadvantages, here are a few model forms :
- Generalized Linear Models
- Random Forests
- Gradient Boosting Models
These models can each solve different problems, such as :
- Regression
- Classification
These are also known as supervised learning models (where we have a target variable) as apposed to unsupervised learning models (no target variable - i.e. clustering).
Depending on the model form you choose, you will need to optimize the associated parameter set that comes with that model. We have chosen here to use a GBM, which is a very popular, effective and powerful model.
Actual Modelling
As shown at the start, the actual modeling step is not hard at all, it is preparing everything that goes into it that is hard.
We won’t cover each parameter in detail, but here are the main ones :
- Formula - This is the modeling formula, which is the target variable explained by the chosen explanatory variables (y ~ x1 + x2 + x3)
- Distribution - This is the distribution/family to which the target variable belongs to (classification = binary, regression = gaussian, count = poisson)
- Method - The method is the model form to choose from (glm, gbm, rf)
- Metric - This is the loss function (logLoss, mse)
- Train Control - This controls the training nuances (resampling, pre-processing)
- Tuning Grid - This is the parameter search space - the bigger the space is the slower the training will be
formFeats <- names(trainDF)[names(trainDF) != target & names(trainDF) != expo]
frqFormula <- formula(paste0(target, " ~ ", paste0(formFeats, collapse = " + "), " + offset(log(", expo, "))"))
set.seed(2020)
objModel <- train(frqFormula,
data = trainDF,
distribution = "poisson",
method = "gbm",
metric = "logLoss",
trControl = objControl,
tuneGrid = gbmGrid)Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5286 nan 0.0105 0.0000
2 0.5285 nan 0.0105 0.0000
3 0.5285 nan 0.0105 0.0000
4 0.5284 nan 0.0105 0.0000
5 0.5284 nan 0.0105 0.0000
6 0.5283 nan 0.0105 0.0000
7 0.5283 nan 0.0105 0.0000
8 0.5283 nan 0.0105 0.0000
9 0.5282 nan 0.0105 0.0000
10 0.5282 nan 0.0105 0.0000
20 0.5278 nan 0.0105 -0.0000
40 0.5271 nan 0.0105 0.0000
60 0.5266 nan 0.0105 -0.0000
80 0.5260 nan 0.0105 0.0000
100 0.5256 nan 0.0105 0.0000
120 0.5252 nan 0.0105 0.0000
140 0.5249 nan 0.0105 0.0000
160 0.5247 nan 0.0105 0.0000
180 0.5244 nan 0.0105 -0.0000
200 0.5242 nan 0.0105 -0.0000
220 0.5238 nan 0.0105 -0.0000
240 0.5234 nan 0.0105 -0.0000
260 0.5232 nan 0.0105 -0.0000
280 0.5230 nan 0.0105 -0.0000
300 0.5227 nan 0.0105 -0.0000
320 0.5225 nan 0.0105 0.0000
340 0.5223 nan 0.0105 0.0000
360 0.5221 nan 0.0105 -0.0000
380 0.5218 nan 0.0105 -0.0000
400 0.5216 nan 0.0105 -0.0000
420 0.5215 nan 0.0105 -0.0000
440 0.5213 nan 0.0105 -0.0000
460 0.5211 nan 0.0105 -0.0000
480 0.5209 nan 0.0105 -0.0000
500 0.5206 nan 0.0105 -0.0000
520 0.5204 nan 0.0105 -0.0000
540 0.5202 nan 0.0105 -0.0000
560 0.5200 nan 0.0105 -0.0000
580 0.5198 nan 0.0105 0.0000
600 0.5196 nan 0.0105 -0.0000
620 0.5194 nan 0.0105 0.0000
623 0.5194 nan 0.0105 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5286 nan 0.0177 0.0000
2 0.5285 nan 0.0177 0.0000
3 0.5284 nan 0.0177 0.0000
4 0.5284 nan 0.0177 0.0000
5 0.5284 nan 0.0177 0.0000
6 0.5283 nan 0.0177 0.0000
7 0.5283 nan 0.0177 0.0000
8 0.5282 nan 0.0177 0.0000
9 0.5282 nan 0.0177 0.0000
10 0.5282 nan 0.0177 -0.0000
20 0.5277 nan 0.0177 0.0000
40 0.5271 nan 0.0177 0.0000
60 0.5266 nan 0.0177 0.0000
80 0.5262 nan 0.0177 -0.0000
100 0.5258 nan 0.0177 -0.0000
120 0.5255 nan 0.0177 -0.0000
140 0.5253 nan 0.0177 0.0000
160 0.5250 nan 0.0177 0.0000
180 0.5247 nan 0.0177 0.0000
200 0.5246 nan 0.0177 -0.0000
220 0.5244 nan 0.0177 -0.0000
240 0.5241 nan 0.0177 0.0000
260 0.5240 nan 0.0177 -0.0000
280 0.5238 nan 0.0177 -0.0000
300 0.5238 nan 0.0177 -0.0000
320 0.5236 nan 0.0177 -0.0000
340 0.5234 nan 0.0177 -0.0000
360 0.5233 nan 0.0177 -0.0000
380 0.5233 nan 0.0177 -0.0000
400 0.5231 nan 0.0177 -0.0000
420 0.5230 nan 0.0177 -0.0000
440 0.5228 nan 0.0177 -0.0000
460 0.5226 nan 0.0177 -0.0000
480 0.5226 nan 0.0177 -0.0000
500 0.5225 nan 0.0177 -0.0000
520 0.5224 nan 0.0177 -0.0000
540 0.5223 nan 0.0177 -0.0000
560 0.5222 nan 0.0177 -0.0000
580 0.5221 nan 0.0177 -0.0000
600 0.5220 nan 0.0177 -0.0000
620 0.5219 nan 0.0177 -0.0000
640 0.5218 nan 0.0177 -0.0000
660 0.5217 nan 0.0177 -0.0000
680 0.5217 nan 0.0177 -0.0000
700 0.5216 nan 0.0177 -0.0000
720 0.5215 nan 0.0177 -0.0000
740 0.5215 nan 0.0177 -0.0000
747 0.5214 nan 0.0177 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0178 0.0000
2 0.5285 nan 0.0178 0.0000
3 0.5284 nan 0.0178 0.0000
4 0.5283 nan 0.0178 0.0000
5 0.5282 nan 0.0178 0.0000
6 0.5281 nan 0.0178 0.0000
7 0.5281 nan 0.0178 0.0000
8 0.5280 nan 0.0178 0.0000
9 0.5279 nan 0.0178 0.0000
10 0.5278 nan 0.0178 0.0000
20 0.5272 nan 0.0178 0.0000
40 0.5261 nan 0.0178 0.0000
60 0.5253 nan 0.0178 0.0000
80 0.5244 nan 0.0178 0.0000
100 0.5238 nan 0.0178 -0.0000
120 0.5232 nan 0.0178 -0.0000
140 0.5226 nan 0.0178 -0.0000
160 0.5221 nan 0.0178 -0.0000
180 0.5217 nan 0.0178 -0.0000
200 0.5212 nan 0.0178 -0.0000
220 0.5208 nan 0.0178 0.0000
240 0.5204 nan 0.0178 -0.0000
260 0.5201 nan 0.0178 -0.0000
280 0.5197 nan 0.0178 -0.0000
300 0.5194 nan 0.0178 -0.0000
320 0.5190 nan 0.0178 0.0000
340 0.5186 nan 0.0178 -0.0000
360 0.5184 nan 0.0178 -0.0000
380 0.5181 nan 0.0178 -0.0000
400 0.5177 nan 0.0178 -0.0000
420 0.5174 nan 0.0178 -0.0000
440 0.5170 nan 0.0178 0.0000
460 0.5166 nan 0.0178 -0.0000
480 0.5163 nan 0.0178 -0.0000
500 0.5159 nan 0.0178 -0.0000
520 0.5157 nan 0.0178 -0.0000
540 0.5153 nan 0.0178 -0.0000
560 0.5151 nan 0.0178 -0.0000
580 0.5149 nan 0.0178 -0.0000
600 0.5146 nan 0.0178 -0.0000
620 0.5142 nan 0.0178 -0.0000
640 0.5140 nan 0.0178 -0.0000
660 0.5138 nan 0.0178 -0.0000
680 0.5136 nan 0.0178 -0.0000
700 0.5133 nan 0.0178 -0.0000
720 0.5131 nan 0.0178 -0.0000
740 0.5128 nan 0.0178 -0.0000
760 0.5125 nan 0.0178 -0.0000
780 0.5122 nan 0.0178 -0.0000
800 0.5120 nan 0.0178 -0.0000
820 0.5118 nan 0.0178 -0.0000
826 0.5117 nan 0.0178 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0205 0.0000
2 0.5285 nan 0.0205 0.0000
3 0.5284 nan 0.0205 0.0000
4 0.5283 nan 0.0205 0.0000
5 0.5283 nan 0.0205 0.0000
6 0.5282 nan 0.0205 0.0000
7 0.5281 nan 0.0205 0.0000
8 0.5281 nan 0.0205 -0.0000
9 0.5280 nan 0.0205 0.0000
10 0.5279 nan 0.0205 0.0000
20 0.5274 nan 0.0205 0.0000
40 0.5265 nan 0.0205 0.0000
60 0.5258 nan 0.0205 -0.0000
80 0.5253 nan 0.0205 -0.0000
100 0.5249 nan 0.0205 -0.0000
120 0.5243 nan 0.0205 -0.0000
140 0.5239 nan 0.0205 -0.0000
160 0.5235 nan 0.0205 -0.0000
180 0.5232 nan 0.0205 -0.0000
200 0.5229 nan 0.0205 -0.0000
220 0.5227 nan 0.0205 -0.0000
240 0.5223 nan 0.0205 -0.0000
260 0.5221 nan 0.0205 -0.0000
280 0.5219 nan 0.0205 -0.0000
300 0.5217 nan 0.0205 -0.0000
320 0.5215 nan 0.0205 -0.0000
340 0.5212 nan 0.0205 -0.0000
360 0.5210 nan 0.0205 -0.0000
380 0.5208 nan 0.0205 -0.0001
400 0.5206 nan 0.0205 -0.0000
420 0.5205 nan 0.0205 -0.0000
440 0.5201 nan 0.0205 0.0000
460 0.5200 nan 0.0205 -0.0000
480 0.5198 nan 0.0205 -0.0000
500 0.5196 nan 0.0205 -0.0000
520 0.5194 nan 0.0205 -0.0000
540 0.5193 nan 0.0205 -0.0000
560 0.5191 nan 0.0205 -0.0000
580 0.5189 nan 0.0205 -0.0000
600 0.5188 nan 0.0205 -0.0000
620 0.5186 nan 0.0205 -0.0000
640 0.5183 nan 0.0205 -0.0000
660 0.5182 nan 0.0205 -0.0000
680 0.5180 nan 0.0205 -0.0000
700 0.5179 nan 0.0205 0.0000
720 0.5176 nan 0.0205 -0.0000
740 0.5175 nan 0.0205 -0.0000
760 0.5171 nan 0.0205 -0.0000
780 0.5170 nan 0.0205 -0.0000
800 0.5168 nan 0.0205 -0.0000
805 0.5167 nan 0.0205 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5286 nan 0.0215 0.0000
2 0.5285 nan 0.0215 0.0000
3 0.5285 nan 0.0215 0.0000
4 0.5285 nan 0.0215 0.0000
5 0.5284 nan 0.0215 0.0000
6 0.5284 nan 0.0215 0.0000
7 0.5284 nan 0.0215 0.0000
8 0.5283 nan 0.0215 0.0000
9 0.5283 nan 0.0215 0.0000
10 0.5283 nan 0.0215 0.0000
20 0.5280 nan 0.0215 0.0000
40 0.5276 nan 0.0215 -0.0000
60 0.5272 nan 0.0215 0.0000
80 0.5270 nan 0.0215 0.0000
100 0.5267 nan 0.0215 0.0000
120 0.5265 nan 0.0215 0.0000
140 0.5263 nan 0.0215 -0.0000
160 0.5262 nan 0.0215 -0.0000
180 0.5260 nan 0.0215 -0.0000
200 0.5259 nan 0.0215 0.0000
220 0.5258 nan 0.0215 -0.0000
240 0.5256 nan 0.0215 -0.0000
256 0.5255 nan 0.0215 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0240 0.0000
2 0.5285 nan 0.0240 0.0000
3 0.5284 nan 0.0240 0.0000
4 0.5283 nan 0.0240 0.0000
5 0.5282 nan 0.0240 0.0000
6 0.5282 nan 0.0240 0.0000
7 0.5281 nan 0.0240 -0.0000
8 0.5281 nan 0.0240 0.0000
9 0.5280 nan 0.0240 0.0000
10 0.5280 nan 0.0240 -0.0000
20 0.5274 nan 0.0240 0.0000
40 0.5266 nan 0.0240 0.0000
60 0.5261 nan 0.0240 0.0000
80 0.5256 nan 0.0240 0.0000
100 0.5253 nan 0.0240 -0.0000
120 0.5249 nan 0.0240 0.0000
140 0.5247 nan 0.0240 -0.0000
160 0.5245 nan 0.0240 -0.0000
180 0.5243 nan 0.0240 -0.0000
200 0.5241 nan 0.0240 -0.0000
220 0.5239 nan 0.0240 -0.0000
240 0.5234 nan 0.0240 -0.0000
260 0.5233 nan 0.0240 -0.0000
280 0.5232 nan 0.0240 -0.0000
300 0.5230 nan 0.0240 -0.0000
320 0.5229 nan 0.0240 -0.0000
340 0.5228 nan 0.0240 -0.0000
360 0.5226 nan 0.0240 -0.0000
380 0.5225 nan 0.0240 -0.0000
400 0.5223 nan 0.0240 -0.0000
420 0.5222 nan 0.0240 -0.0000
440 0.5221 nan 0.0240 -0.0000
460 0.5220 nan 0.0240 -0.0000
480 0.5218 nan 0.0240 -0.0000
500 0.5217 nan 0.0240 -0.0000
520 0.5215 nan 0.0240 -0.0001
540 0.5214 nan 0.0240 -0.0000
560 0.5213 nan 0.0240 -0.0000
580 0.5213 nan 0.0240 -0.0000
600 0.5212 nan 0.0240 -0.0000
620 0.5211 nan 0.0240 -0.0000
640 0.5209 nan 0.0240 -0.0000
660 0.5208 nan 0.0240 -0.0000
680 0.5208 nan 0.0240 -0.0000
700 0.5207 nan 0.0240 -0.0000
720 0.5206 nan 0.0240 -0.0000
740 0.5204 nan 0.0240 -0.0000
760 0.5203 nan 0.0240 -0.0000
780 0.5203 nan 0.0240 -0.0000
790 0.5202 nan 0.0240 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0244 0.0000
2 0.5284 nan 0.0244 0.0000
3 0.5283 nan 0.0244 0.0000
4 0.5282 nan 0.0244 0.0000
5 0.5281 nan 0.0244 0.0000
6 0.5281 nan 0.0244 0.0000
7 0.5280 nan 0.0244 0.0000
8 0.5279 nan 0.0244 0.0000
9 0.5279 nan 0.0244 0.0000
10 0.5278 nan 0.0244 0.0000
20 0.5272 nan 0.0244 0.0000
40 0.5262 nan 0.0244 -0.0000
60 0.5254 nan 0.0244 0.0000
80 0.5249 nan 0.0244 -0.0000
100 0.5244 nan 0.0244 -0.0000
120 0.5240 nan 0.0244 -0.0000
140 0.5236 nan 0.0244 -0.0000
160 0.5232 nan 0.0244 -0.0000
180 0.5229 nan 0.0244 -0.0000
200 0.5226 nan 0.0244 -0.0000
220 0.5223 nan 0.0244 -0.0000
240 0.5221 nan 0.0244 0.0000
260 0.5218 nan 0.0244 -0.0000
280 0.5216 nan 0.0244 -0.0000
300 0.5214 nan 0.0244 -0.0000
320 0.5210 nan 0.0244 -0.0000
340 0.5208 nan 0.0244 -0.0000
360 0.5206 nan 0.0244 -0.0000
380 0.5203 nan 0.0244 -0.0000
400 0.5201 nan 0.0244 -0.0000
420 0.5199 nan 0.0244 -0.0000
440 0.5197 nan 0.0244 -0.0000
460 0.5194 nan 0.0244 -0.0000
480 0.5192 nan 0.0244 -0.0000
500 0.5189 nan 0.0244 -0.0000
520 0.5187 nan 0.0244 -0.0000
540 0.5184 nan 0.0244 -0.0000
560 0.5181 nan 0.0244 -0.0000
580 0.5180 nan 0.0244 -0.0000
600 0.5178 nan 0.0244 -0.0000
620 0.5175 nan 0.0244 -0.0000
640 0.5173 nan 0.0244 -0.0000
660 0.5172 nan 0.0244 -0.0000
680 0.5170 nan 0.0244 -0.0000
700 0.5168 nan 0.0244 -0.0000
720 0.5166 nan 0.0244 -0.0000
740 0.5164 nan 0.0244 -0.0000
745 0.5164 nan 0.0244 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5286 nan 0.0264 0.0000
2 0.5285 nan 0.0264 0.0000
3 0.5284 nan 0.0264 0.0000
4 0.5283 nan 0.0264 0.0000
5 0.5283 nan 0.0264 0.0000
6 0.5282 nan 0.0264 0.0000
7 0.5282 nan 0.0264 0.0000
8 0.5281 nan 0.0264 0.0000
9 0.5280 nan 0.0264 0.0000
10 0.5280 nan 0.0264 0.0000
20 0.5274 nan 0.0264 0.0000
40 0.5266 nan 0.0264 0.0000
60 0.5260 nan 0.0264 0.0000
80 0.5256 nan 0.0264 0.0000
100 0.5250 nan 0.0264 -0.0000
120 0.5247 nan 0.0264 -0.0000
140 0.5244 nan 0.0264 -0.0000
160 0.5242 nan 0.0264 -0.0000
180 0.5239 nan 0.0264 -0.0000
200 0.5236 nan 0.0264 -0.0000
220 0.5234 nan 0.0264 -0.0000
240 0.5232 nan 0.0264 0.0000
260 0.5231 nan 0.0264 -0.0000
280 0.5229 nan 0.0264 -0.0000
300 0.5227 nan 0.0264 -0.0000
320 0.5226 nan 0.0264 -0.0000
323 0.5226 nan 0.0264 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0273 0.0000
2 0.5284 nan 0.0273 0.0000
3 0.5284 nan 0.0273 0.0000
4 0.5283 nan 0.0273 0.0000
5 0.5282 nan 0.0273 0.0000
6 0.5281 nan 0.0273 0.0000
7 0.5281 nan 0.0273 0.0000
8 0.5280 nan 0.0273 0.0000
9 0.5279 nan 0.0273 0.0000
10 0.5279 nan 0.0273 0.0000
20 0.5273 nan 0.0273 0.0000
40 0.5266 nan 0.0273 -0.0000
60 0.5260 nan 0.0273 -0.0000
80 0.5255 nan 0.0273 -0.0000
100 0.5251 nan 0.0273 -0.0000
120 0.5248 nan 0.0273 -0.0000
126 0.5247 nan 0.0273 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5286 nan 0.0277 0.0000
2 0.5285 nan 0.0277 0.0000
3 0.5284 nan 0.0277 0.0000
4 0.5284 nan 0.0277 0.0000
5 0.5284 nan 0.0277 0.0000
6 0.5283 nan 0.0277 0.0000
7 0.5283 nan 0.0277 0.0000
8 0.5282 nan 0.0277 0.0000
9 0.5282 nan 0.0277 0.0000
10 0.5282 nan 0.0277 0.0000
20 0.5278 nan 0.0277 0.0000
40 0.5274 nan 0.0277 0.0000
60 0.5270 nan 0.0277 -0.0000
80 0.5266 nan 0.0277 -0.0000
100 0.5264 nan 0.0277 0.0000
120 0.5261 nan 0.0277 -0.0000
140 0.5259 nan 0.0277 -0.0000
160 0.5258 nan 0.0277 -0.0000
180 0.5256 nan 0.0277 -0.0000
200 0.5255 nan 0.0277 -0.0000
220 0.5254 nan 0.0277 -0.0000
240 0.5253 nan 0.0277 -0.0000
260 0.5252 nan 0.0277 -0.0000
280 0.5251 nan 0.0277 -0.0000
300 0.5250 nan 0.0277 -0.0000
320 0.5250 nan 0.0277 -0.0000
340 0.5249 nan 0.0277 -0.0000
360 0.5249 nan 0.0277 -0.0000
380 0.5248 nan 0.0277 -0.0000
400 0.5248 nan 0.0277 -0.0000
420 0.5248 nan 0.0277 -0.0000
440 0.5247 nan 0.0277 -0.0000
460 0.5247 nan 0.0277 -0.0000
480 0.5246 nan 0.0277 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5286 nan 0.0286 0.0000
2 0.5285 nan 0.0286 0.0000
3 0.5285 nan 0.0286 0.0000
4 0.5284 nan 0.0286 0.0000
5 0.5284 nan 0.0286 0.0000
6 0.5284 nan 0.0286 0.0000
7 0.5283 nan 0.0286 0.0000
8 0.5283 nan 0.0286 0.0000
9 0.5282 nan 0.0286 0.0000
10 0.5282 nan 0.0286 0.0000
20 0.5278 nan 0.0286 0.0000
40 0.5273 nan 0.0286 -0.0000
60 0.5269 nan 0.0286 0.0000
80 0.5266 nan 0.0286 -0.0000
100 0.5263 nan 0.0286 0.0000
120 0.5261 nan 0.0286 -0.0000
140 0.5259 nan 0.0286 -0.0000
160 0.5257 nan 0.0286 0.0000
180 0.5255 nan 0.0286 0.0000
200 0.5254 nan 0.0286 -0.0000
220 0.5253 nan 0.0286 -0.0000
240 0.5252 nan 0.0286 -0.0000
260 0.5251 nan 0.0286 -0.0000
280 0.5250 nan 0.0286 -0.0000
300 0.5250 nan 0.0286 -0.0000
320 0.5249 nan 0.0286 -0.0000
340 0.5249 nan 0.0286 -0.0000
360 0.5248 nan 0.0286 -0.0000
380 0.5248 nan 0.0286 -0.0000
400 0.5248 nan 0.0286 -0.0000
420 0.5247 nan 0.0286 -0.0000
440 0.5247 nan 0.0286 -0.0000
460 0.5246 nan 0.0286 -0.0000
480 0.5246 nan 0.0286 -0.0000
500 0.5246 nan 0.0286 -0.0000
520 0.5245 nan 0.0286 -0.0000
540 0.5245 nan 0.0286 -0.0000
560 0.5245 nan 0.0286 -0.0000
580 0.5245 nan 0.0286 -0.0000
600 0.5244 nan 0.0286 -0.0000
620 0.5244 nan 0.0286 -0.0000
640 0.5244 nan 0.0286 -0.0000
660 0.5244 nan 0.0286 -0.0000
680 0.5243 nan 0.0286 -0.0000
700 0.5243 nan 0.0286 -0.0000
720 0.5243 nan 0.0286 -0.0000
740 0.5243 nan 0.0286 -0.0000
760 0.5242 nan 0.0286 -0.0000
780 0.5242 nan 0.0286 -0.0000
800 0.5242 nan 0.0286 -0.0000
820 0.5242 nan 0.0286 -0.0000
840 0.5242 nan 0.0286 -0.0000
860 0.5241 nan 0.0286 -0.0000
880 0.5241 nan 0.0286 -0.0000
900 0.5241 nan 0.0286 -0.0000
920 0.5240 nan 0.0286 -0.0000
922 0.5240 nan 0.0286 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0298 0.0000
2 0.5285 nan 0.0298 0.0000
3 0.5283 nan 0.0298 0.0000
4 0.5282 nan 0.0298 0.0000
5 0.5282 nan 0.0298 0.0000
6 0.5281 nan 0.0298 0.0000
7 0.5280 nan 0.0298 0.0000
8 0.5280 nan 0.0298 0.0000
9 0.5279 nan 0.0298 0.0000
10 0.5278 nan 0.0298 0.0000
20 0.5273 nan 0.0298 0.0000
40 0.5265 nan 0.0298 -0.0000
60 0.5259 nan 0.0298 0.0000
80 0.5255 nan 0.0298 -0.0000
100 0.5251 nan 0.0298 -0.0000
120 0.5248 nan 0.0298 -0.0000
140 0.5246 nan 0.0298 -0.0000
160 0.5243 nan 0.0298 -0.0000
180 0.5242 nan 0.0298 -0.0000
200 0.5240 nan 0.0298 -0.0000
220 0.5237 nan 0.0298 -0.0000
240 0.5235 nan 0.0298 -0.0000
260 0.5232 nan 0.0298 -0.0000
280 0.5231 nan 0.0298 -0.0000
300 0.5229 nan 0.0298 -0.0000
320 0.5227 nan 0.0298 -0.0000
340 0.5225 nan 0.0298 -0.0000
360 0.5223 nan 0.0298 -0.0000
380 0.5222 nan 0.0298 -0.0000
400 0.5221 nan 0.0298 -0.0000
420 0.5220 nan 0.0298 -0.0000
440 0.5218 nan 0.0298 -0.0000
460 0.5216 nan 0.0298 -0.0000
480 0.5216 nan 0.0298 -0.0000
500 0.5215 nan 0.0298 -0.0000
506 0.5214 nan 0.0298 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0305 0.0000
2 0.5285 nan 0.0305 0.0000
3 0.5284 nan 0.0305 0.0000
4 0.5283 nan 0.0305 0.0000
5 0.5282 nan 0.0305 0.0000
6 0.5281 nan 0.0305 0.0000
7 0.5280 nan 0.0305 0.0000
8 0.5280 nan 0.0305 0.0000
9 0.5279 nan 0.0305 0.0000
10 0.5279 nan 0.0305 0.0000
20 0.5274 nan 0.0305 -0.0000
40 0.5265 nan 0.0305 0.0000
60 0.5260 nan 0.0305 0.0000
80 0.5254 nan 0.0305 -0.0000
100 0.5251 nan 0.0305 -0.0000
120 0.5247 nan 0.0305 -0.0000
140 0.5245 nan 0.0305 -0.0000
160 0.5240 nan 0.0305 -0.0000
180 0.5237 nan 0.0305 -0.0001
200 0.5235 nan 0.0305 -0.0000
220 0.5233 nan 0.0305 -0.0000
240 0.5231 nan 0.0305 -0.0000
260 0.5229 nan 0.0305 -0.0000
280 0.5228 nan 0.0305 -0.0000
300 0.5226 nan 0.0305 -0.0000
320 0.5224 nan 0.0305 0.0000
340 0.5223 nan 0.0305 -0.0000
360 0.5221 nan 0.0305 -0.0000
380 0.5220 nan 0.0305 -0.0000
400 0.5219 nan 0.0305 -0.0000
420 0.5217 nan 0.0305 -0.0000
440 0.5215 nan 0.0305 -0.0000
460 0.5214 nan 0.0305 -0.0000
480 0.5213 nan 0.0305 -0.0000
500 0.5212 nan 0.0305 -0.0000
520 0.5211 nan 0.0305 -0.0000
540 0.5210 nan 0.0305 -0.0000
560 0.5209 nan 0.0305 -0.0000
580 0.5208 nan 0.0305 -0.0000
600 0.5207 nan 0.0305 -0.0000
620 0.5206 nan 0.0305 -0.0000
628 0.5205 nan 0.0305 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5286 nan 0.0306 0.0000
2 0.5285 nan 0.0306 0.0000
3 0.5284 nan 0.0306 0.0000
4 0.5282 nan 0.0306 0.0000
5 0.5282 nan 0.0306 0.0000
6 0.5281 nan 0.0306 0.0000
7 0.5280 nan 0.0306 0.0000
8 0.5280 nan 0.0306 0.0000
9 0.5279 nan 0.0306 0.0000
10 0.5278 nan 0.0306 0.0000
20 0.5272 nan 0.0306 0.0000
40 0.5264 nan 0.0306 0.0000
60 0.5258 nan 0.0306 -0.0000
80 0.5254 nan 0.0306 0.0000
100 0.5250 nan 0.0306 -0.0000
120 0.5246 nan 0.0306 -0.0000
140 0.5243 nan 0.0306 -0.0000
160 0.5241 nan 0.0306 -0.0000
180 0.5239 nan 0.0306 -0.0000
200 0.5235 nan 0.0306 -0.0000
220 0.5233 nan 0.0306 -0.0000
240 0.5231 nan 0.0306 -0.0000
260 0.5229 nan 0.0306 -0.0000
280 0.5228 nan 0.0306 -0.0000
300 0.5226 nan 0.0306 -0.0000
320 0.5225 nan 0.0306 -0.0000
340 0.5223 nan 0.0306 -0.0000
360 0.5222 nan 0.0306 -0.0000
380 0.5221 nan 0.0306 -0.0000
400 0.5219 nan 0.0306 -0.0000
420 0.5215 nan 0.0306 -0.0000
440 0.5214 nan 0.0306 -0.0000
460 0.5213 nan 0.0306 -0.0000
480 0.5212 nan 0.0306 -0.0000
500 0.5210 nan 0.0306 -0.0000
520 0.5209 nan 0.0306 -0.0000
540 0.5208 nan 0.0306 -0.0000
560 0.5207 nan 0.0306 -0.0000
580 0.5206 nan 0.0306 -0.0000
600 0.5204 nan 0.0306 -0.0000
613 0.5204 nan 0.0306 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0370 0.0000
2 0.5282 nan 0.0370 0.0000
3 0.5280 nan 0.0370 0.0001
4 0.5278 nan 0.0370 0.0000
5 0.5277 nan 0.0370 0.0000
6 0.5275 nan 0.0370 0.0001
7 0.5274 nan 0.0370 0.0000
8 0.5273 nan 0.0370 0.0000
9 0.5272 nan 0.0370 0.0000
10 0.5271 nan 0.0370 0.0000
20 0.5260 nan 0.0370 -0.0000
40 0.5245 nan 0.0370 0.0000
60 0.5234 nan 0.0370 -0.0000
80 0.5225 nan 0.0370 -0.0002
100 0.5217 nan 0.0370 -0.0000
120 0.5210 nan 0.0370 -0.0000
140 0.5204 nan 0.0370 -0.0000
160 0.5196 nan 0.0370 -0.0000
180 0.5190 nan 0.0370 -0.0000
200 0.5182 nan 0.0370 -0.0000
220 0.5176 nan 0.0370 -0.0000
240 0.5172 nan 0.0370 -0.0000
260 0.5166 nan 0.0370 -0.0000
280 0.5160 nan 0.0370 -0.0000
300 0.5155 nan 0.0370 -0.0000
320 0.5148 nan 0.0370 -0.0002
340 0.5145 nan 0.0370 -0.0000
360 0.5142 nan 0.0370 -0.0000
380 0.5138 nan 0.0370 -0.0000
400 0.5132 nan 0.0370 -0.0000
420 0.5127 nan 0.0370 -0.0000
440 0.5119 nan 0.0370 -0.0000
460 0.5114 nan 0.0370 -0.0000
480 0.5111 nan 0.0370 -0.0000
500 0.5106 nan 0.0370 -0.0000
520 0.5102 nan 0.0370 -0.0000
540 0.5098 nan 0.0370 -0.0000
560 0.5094 nan 0.0370 -0.0000
580 0.5092 nan 0.0370 -0.0000
595 0.5090 nan 0.0370 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0402 0.0000
2 0.5285 nan 0.0402 0.0000
3 0.5284 nan 0.0402 0.0000
4 0.5283 nan 0.0402 0.0000
5 0.5282 nan 0.0402 0.0000
6 0.5282 nan 0.0402 0.0000
7 0.5282 nan 0.0402 -0.0000
8 0.5281 nan 0.0402 0.0000
9 0.5281 nan 0.0402 0.0000
10 0.5280 nan 0.0402 0.0000
20 0.5276 nan 0.0402 0.0000
40 0.5270 nan 0.0402 -0.0000
60 0.5265 nan 0.0402 0.0000
80 0.5261 nan 0.0402 0.0000
100 0.5258 nan 0.0402 0.0000
120 0.5256 nan 0.0402 -0.0000
140 0.5254 nan 0.0402 -0.0000
160 0.5253 nan 0.0402 -0.0000
180 0.5252 nan 0.0402 -0.0000
200 0.5251 nan 0.0402 -0.0000
220 0.5250 nan 0.0402 -0.0000
240 0.5249 nan 0.0402 -0.0000
260 0.5248 nan 0.0402 -0.0000
280 0.5248 nan 0.0402 -0.0000
300 0.5247 nan 0.0402 -0.0000
320 0.5246 nan 0.0402 -0.0000
340 0.5246 nan 0.0402 -0.0000
360 0.5245 nan 0.0402 -0.0000
380 0.5245 nan 0.0402 -0.0000
400 0.5245 nan 0.0402 -0.0000
420 0.5245 nan 0.0402 -0.0000
440 0.5244 nan 0.0402 -0.0000
460 0.5244 nan 0.0402 -0.0000
480 0.5244 nan 0.0402 -0.0000
500 0.5243 nan 0.0402 -0.0000
520 0.5243 nan 0.0402 -0.0000
540 0.5243 nan 0.0402 -0.0000
560 0.5242 nan 0.0402 -0.0000
580 0.5242 nan 0.0402 -0.0000
600 0.5242 nan 0.0402 -0.0000
620 0.5241 nan 0.0402 -0.0000
640 0.5241 nan 0.0402 -0.0000
660 0.5241 nan 0.0402 -0.0000
680 0.5240 nan 0.0402 -0.0000
700 0.5240 nan 0.0402 -0.0000
720 0.5240 nan 0.0402 -0.0000
740 0.5239 nan 0.0402 -0.0000
747 0.5239 nan 0.0402 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0405 0.0001
2 0.5283 nan 0.0405 0.0001
3 0.5283 nan 0.0405 -0.0000
4 0.5282 nan 0.0405 0.0001
5 0.5281 nan 0.0405 0.0001
6 0.5280 nan 0.0405 0.0000
7 0.5279 nan 0.0405 -0.0000
8 0.5278 nan 0.0405 0.0000
9 0.5277 nan 0.0405 0.0000
10 0.5276 nan 0.0405 0.0000
20 0.5269 nan 0.0405 0.0000
40 0.5260 nan 0.0405 -0.0000
60 0.5254 nan 0.0405 -0.0000
80 0.5248 nan 0.0405 -0.0000
100 0.5245 nan 0.0405 -0.0000
120 0.5241 nan 0.0405 -0.0000
140 0.5238 nan 0.0405 -0.0000
160 0.5235 nan 0.0405 -0.0000
180 0.5232 nan 0.0405 -0.0000
200 0.5230 nan 0.0405 -0.0000
220 0.5227 nan 0.0405 -0.0000
240 0.5225 nan 0.0405 -0.0000
260 0.5224 nan 0.0405 -0.0000
280 0.5221 nan 0.0405 -0.0000
300 0.5220 nan 0.0405 -0.0000
320 0.5219 nan 0.0405 -0.0000
340 0.5217 nan 0.0405 -0.0000
360 0.5216 nan 0.0405 -0.0000
380 0.5215 nan 0.0405 -0.0000
400 0.5213 nan 0.0405 -0.0000
420 0.5211 nan 0.0405 -0.0000
440 0.5210 nan 0.0405 -0.0000
460 0.5207 nan 0.0405 -0.0000
480 0.5206 nan 0.0405 -0.0000
500 0.5205 nan 0.0405 -0.0000
520 0.5203 nan 0.0405 -0.0000
540 0.5201 nan 0.0405 -0.0000
560 0.5199 nan 0.0405 -0.0000
580 0.5198 nan 0.0405 -0.0000
600 0.5195 nan 0.0405 -0.0000
620 0.5194 nan 0.0405 -0.0000
640 0.5193 nan 0.0405 -0.0000
650 0.5192 nan 0.0405 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5284 nan 0.0413 0.0001
2 0.5282 nan 0.0413 0.0001
3 0.5281 nan 0.0413 0.0000
4 0.5279 nan 0.0413 0.0000
5 0.5278 nan 0.0413 0.0001
6 0.5276 nan 0.0413 0.0000
7 0.5275 nan 0.0413 0.0000
8 0.5273 nan 0.0413 0.0000
9 0.5272 nan 0.0413 0.0001
10 0.5271 nan 0.0413 0.0000
20 0.5262 nan 0.0413 0.0000
40 0.5249 nan 0.0413 -0.0000
60 0.5238 nan 0.0413 -0.0000
80 0.5229 nan 0.0413 -0.0000
100 0.5223 nan 0.0413 -0.0000
120 0.5216 nan 0.0413 -0.0000
140 0.5211 nan 0.0413 -0.0000
160 0.5204 nan 0.0413 -0.0000
180 0.5199 nan 0.0413 -0.0000
200 0.5194 nan 0.0413 -0.0000
220 0.5188 nan 0.0413 -0.0000
240 0.5182 nan 0.0413 0.0000
260 0.5177 nan 0.0413 -0.0000
280 0.5173 nan 0.0413 -0.0000
300 0.5168 nan 0.0413 -0.0001
320 0.5164 nan 0.0413 -0.0000
340 0.5160 nan 0.0413 -0.0000
360 0.5155 nan 0.0413 -0.0000
380 0.5150 nan 0.0413 -0.0000
400 0.5148 nan 0.0413 -0.0000
420 0.5145 nan 0.0413 -0.0000
425 0.5144 nan 0.0413 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0502 0.0001
2 0.5284 nan 0.0502 0.0000
3 0.5283 nan 0.0502 0.0000
4 0.5282 nan 0.0502 0.0001
5 0.5280 nan 0.0502 0.0001
6 0.5279 nan 0.0502 0.0000
7 0.5277 nan 0.0502 0.0001
8 0.5276 nan 0.0502 0.0000
9 0.5275 nan 0.0502 0.0000
10 0.5274 nan 0.0502 0.0000
20 0.5267 nan 0.0502 0.0000
40 0.5256 nan 0.0502 0.0000
60 0.5249 nan 0.0502 -0.0000
80 0.5243 nan 0.0502 -0.0000
100 0.5239 nan 0.0502 0.0000
120 0.5236 nan 0.0502 -0.0000
140 0.5232 nan 0.0502 -0.0000
160 0.5229 nan 0.0502 -0.0000
180 0.5225 nan 0.0502 0.0001
200 0.5222 nan 0.0502 -0.0000
220 0.5220 nan 0.0502 -0.0000
240 0.5217 nan 0.0502 -0.0000
260 0.5215 nan 0.0502 -0.0000
280 0.5213 nan 0.0502 -0.0000
300 0.5211 nan 0.0502 -0.0000
320 0.5210 nan 0.0502 -0.0000
340 0.5208 nan 0.0502 -0.0000
360 0.5206 nan 0.0502 -0.0000
380 0.5204 nan 0.0502 -0.0000
400 0.5203 nan 0.0502 -0.0000
420 0.5200 nan 0.0502 -0.0000
440 0.5198 nan 0.0502 -0.0000
460 0.5194 nan 0.0502 -0.0000
480 0.5192 nan 0.0502 -0.0000
500 0.5191 nan 0.0502 -0.0000
520 0.5189 nan 0.0502 -0.0000
540 0.5188 nan 0.0502 -0.0000
559 0.5186 nan 0.0502 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5284 nan 0.0536 0.0000
2 0.5282 nan 0.0536 0.0000
3 0.5280 nan 0.0536 0.0000
4 0.5278 nan 0.0536 0.0001
5 0.5276 nan 0.0536 0.0000
6 0.5274 nan 0.0536 0.0001
7 0.5272 nan 0.0536 0.0001
8 0.5270 nan 0.0536 0.0000
9 0.5268 nan 0.0536 0.0001
10 0.5267 nan 0.0536 0.0000
20 0.5254 nan 0.0536 -0.0000
40 0.5235 nan 0.0536 0.0000
60 0.5222 nan 0.0536 -0.0000
80 0.5210 nan 0.0536 -0.0000
100 0.5201 nan 0.0536 -0.0000
120 0.5190 nan 0.0536 -0.0000
140 0.5183 nan 0.0536 -0.0000
160 0.5175 nan 0.0536 -0.0000
173 0.5170 nan 0.0536 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5284 nan 0.0631 0.0001
2 0.5281 nan 0.0631 0.0001
3 0.5279 nan 0.0631 0.0000
4 0.5277 nan 0.0631 0.0001
5 0.5275 nan 0.0631 0.0000
6 0.5274 nan 0.0631 0.0000
7 0.5271 nan 0.0631 0.0000
8 0.5270 nan 0.0631 0.0000
9 0.5268 nan 0.0631 0.0000
10 0.5267 nan 0.0631 0.0000
20 0.5256 nan 0.0631 0.0000
40 0.5235 nan 0.0631 -0.0000
60 0.5220 nan 0.0631 -0.0000
80 0.5209 nan 0.0631 -0.0000
100 0.5202 nan 0.0631 -0.0000
120 0.5192 nan 0.0631 -0.0000
140 0.5184 nan 0.0631 -0.0000
160 0.5176 nan 0.0631 -0.0001
180 0.5169 nan 0.0631 -0.0000
200 0.5161 nan 0.0631 -0.0000
220 0.5152 nan 0.0631 -0.0000
240 0.5145 nan 0.0631 -0.0001
260 0.5140 nan 0.0631 -0.0000
280 0.5133 nan 0.0631 -0.0002
300 0.5129 nan 0.0631 -0.0001
320 0.5125 nan 0.0631 -0.0004
340 0.5117 nan 0.0631 -0.0000
360 0.5110 nan 0.0631 -0.0000
380 0.5103 nan 0.0631 -0.0000
400 0.5101 nan 0.0631 -0.0000
420 0.5094 nan 0.0631 -0.0000
440 0.5088 nan 0.0631 -0.0000
460 0.5084 nan 0.0631 -0.0000
480 0.5081 nan 0.0631 -0.0002
500 0.5078 nan 0.0631 -0.0000
520 0.5071 nan 0.0631 -0.0000
540 0.5066 nan 0.0631 -0.0001
560 0.5060 nan 0.0631 -0.0000
580 0.5055 nan 0.0631 -0.0000
600 0.5051 nan 0.0631 -0.0001
620 0.5049 nan 0.0631 -0.0000
622 0.5048 nan 0.0631 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.0632 0.0001
2 0.5281 nan 0.0632 0.0001
3 0.5279 nan 0.0632 0.0001
4 0.5277 nan 0.0632 0.0001
5 0.5275 nan 0.0632 0.0000
6 0.5274 nan 0.0632 0.0000
7 0.5272 nan 0.0632 0.0000
8 0.5271 nan 0.0632 0.0000
9 0.5269 nan 0.0632 0.0000
10 0.5268 nan 0.0632 0.0000
20 0.5259 nan 0.0632 -0.0000
40 0.5244 nan 0.0632 -0.0000
60 0.5235 nan 0.0632 -0.0000
80 0.5229 nan 0.0632 -0.0000
100 0.5222 nan 0.0632 -0.0000
120 0.5215 nan 0.0632 0.0000
140 0.5210 nan 0.0632 -0.0000
160 0.5207 nan 0.0632 -0.0000
180 0.5203 nan 0.0632 -0.0000
200 0.5198 nan 0.0632 -0.0000
220 0.5194 nan 0.0632 -0.0001
240 0.5190 nan 0.0632 -0.0000
260 0.5187 nan 0.0632 -0.0000
280 0.5184 nan 0.0632 -0.0000
296 0.5182 nan 0.0632 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.0632 0.0001
2 0.5280 nan 0.0632 0.0001
3 0.5278 nan 0.0632 0.0001
4 0.5275 nan 0.0632 0.0001
5 0.5272 nan 0.0632 0.0001
6 0.5270 nan 0.0632 0.0001
7 0.5268 nan 0.0632 0.0001
8 0.5267 nan 0.0632 0.0000
9 0.5265 nan 0.0632 0.0000
10 0.5264 nan 0.0632 0.0000
20 0.5250 nan 0.0632 -0.0000
40 0.5234 nan 0.0632 -0.0001
60 0.5212 nan 0.0632 -0.0002
80 0.5201 nan 0.0632 -0.0000
100 0.5191 nan 0.0632 -0.0001
120 0.5182 nan 0.0632 -0.0001
140 0.5174 nan 0.0632 -0.0000
160 0.5167 nan 0.0632 -0.0001
180 0.5159 nan 0.0632 -0.0001
200 0.5153 nan 0.0632 -0.0000
220 0.5147 nan 0.0632 -0.0000
240 0.5141 nan 0.0632 -0.0000
260 0.5136 nan 0.0632 -0.0000
280 0.5129 nan 0.0632 -0.0000
300 0.5123 nan 0.0632 -0.0001
320 0.5118 nan 0.0632 -0.0001
340 0.5113 nan 0.0632 -0.0000
360 0.5108 nan 0.0632 -0.0000
380 0.5102 nan 0.0632 -0.0000
400 0.5097 nan 0.0632 -0.0000
420 0.5092 nan 0.0632 -0.0001
440 0.5087 nan 0.0632 -0.0001
460 0.5082 nan 0.0632 -0.0000
480 0.5077 nan 0.0632 -0.0000
500 0.5073 nan 0.0632 -0.0000
520 0.5069 nan 0.0632 -0.0000
540 0.5066 nan 0.0632 -0.0000
560 0.5061 nan 0.0632 -0.0001
580 0.5058 nan 0.0632 -0.0000
600 0.5054 nan 0.0632 -0.0000
610 0.5052 nan 0.0632 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0647 0.0001
2 0.5284 nan 0.0647 0.0000
3 0.5283 nan 0.0647 0.0001
4 0.5282 nan 0.0647 0.0000
5 0.5281 nan 0.0647 0.0000
6 0.5281 nan 0.0647 0.0000
7 0.5280 nan 0.0647 0.0000
8 0.5279 nan 0.0647 0.0000
9 0.5278 nan 0.0647 0.0000
10 0.5278 nan 0.0647 0.0000
20 0.5273 nan 0.0647 0.0000
40 0.5264 nan 0.0647 0.0000
60 0.5260 nan 0.0647 0.0000
80 0.5256 nan 0.0647 -0.0000
100 0.5254 nan 0.0647 -0.0000
120 0.5252 nan 0.0647 -0.0000
140 0.5250 nan 0.0647 -0.0000
160 0.5249 nan 0.0647 -0.0000
180 0.5248 nan 0.0647 -0.0000
200 0.5247 nan 0.0647 -0.0000
220 0.5246 nan 0.0647 -0.0000
227 0.5246 nan 0.0647 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.0655 0.0001
2 0.5281 nan 0.0655 0.0001
3 0.5279 nan 0.0655 0.0001
4 0.5277 nan 0.0655 0.0000
5 0.5275 nan 0.0655 0.0001
6 0.5273 nan 0.0655 0.0000
7 0.5271 nan 0.0655 0.0001
8 0.5270 nan 0.0655 0.0000
9 0.5268 nan 0.0655 0.0001
10 0.5267 nan 0.0655 0.0000
20 0.5255 nan 0.0655 0.0000
40 0.5244 nan 0.0655 -0.0000
60 0.5233 nan 0.0655 -0.0000
80 0.5225 nan 0.0655 -0.0000
100 0.5216 nan 0.0655 -0.0000
120 0.5211 nan 0.0655 -0.0001
140 0.5204 nan 0.0655 -0.0000
160 0.5200 nan 0.0655 -0.0000
180 0.5194 nan 0.0655 -0.0000
200 0.5191 nan 0.0655 -0.0000
220 0.5183 nan 0.0655 -0.0000
240 0.5175 nan 0.0655 -0.0000
260 0.5170 nan 0.0655 -0.0000
280 0.5167 nan 0.0655 -0.0000
300 0.5162 nan 0.0655 -0.0000
320 0.5158 nan 0.0655 -0.0000
340 0.5154 nan 0.0655 -0.0000
360 0.5151 nan 0.0655 -0.0000
380 0.5146 nan 0.0655 -0.0000
400 0.5142 nan 0.0655 -0.0000
420 0.5138 nan 0.0655 -0.0000
440 0.5134 nan 0.0655 -0.0000
460 0.5129 nan 0.0655 -0.0000
480 0.5126 nan 0.0655 -0.0000
500 0.5122 nan 0.0655 -0.0000
520 0.5118 nan 0.0655 -0.0000
540 0.5117 nan 0.0655 -0.0000
560 0.5115 nan 0.0655 -0.0000
580 0.5113 nan 0.0655 -0.0000
600 0.5111 nan 0.0655 -0.0001
620 0.5108 nan 0.0655 -0.0000
640 0.5105 nan 0.0655 -0.0001
642 0.5105 nan 0.0655 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.0664 0.0001
2 0.5279 nan 0.0664 0.0001
3 0.5277 nan 0.0664 0.0001
4 0.5274 nan 0.0664 0.0000
5 0.5272 nan 0.0664 0.0001
6 0.5270 nan 0.0664 0.0001
7 0.5268 nan 0.0664 -0.0000
8 0.5267 nan 0.0664 -0.0000
9 0.5265 nan 0.0664 0.0000
10 0.5264 nan 0.0664 0.0000
20 0.5250 nan 0.0664 -0.0000
40 0.5232 nan 0.0664 0.0000
51 0.5223 nan 0.0664 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.0683 0.0001
2 0.5280 nan 0.0683 0.0001
3 0.5277 nan 0.0683 0.0001
4 0.5275 nan 0.0683 0.0000
5 0.5273 nan 0.0683 0.0000
6 0.5271 nan 0.0683 0.0000
7 0.5270 nan 0.0683 0.0000
8 0.5268 nan 0.0683 0.0000
9 0.5267 nan 0.0683 0.0000
10 0.5265 nan 0.0683 0.0000
20 0.5250 nan 0.0683 -0.0000
40 0.5233 nan 0.0683 0.0000
52 0.5225 nan 0.0683 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0702 0.0001
2 0.5283 nan 0.0702 0.0001
3 0.5282 nan 0.0702 0.0000
4 0.5281 nan 0.0702 0.0000
5 0.5280 nan 0.0702 0.0000
6 0.5280 nan 0.0702 0.0000
7 0.5279 nan 0.0702 0.0000
8 0.5278 nan 0.0702 0.0000
9 0.5277 nan 0.0702 0.0000
10 0.5277 nan 0.0702 0.0000
20 0.5271 nan 0.0702 0.0000
40 0.5264 nan 0.0702 -0.0000
60 0.5259 nan 0.0702 0.0000
80 0.5256 nan 0.0702 -0.0000
100 0.5253 nan 0.0702 -0.0000
120 0.5252 nan 0.0702 -0.0000
140 0.5250 nan 0.0702 -0.0000
158 0.5249 nan 0.0702 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.0708 0.0001
2 0.5281 nan 0.0708 0.0001
3 0.5279 nan 0.0708 0.0001
4 0.5277 nan 0.0708 0.0001
5 0.5275 nan 0.0708 0.0001
6 0.5273 nan 0.0708 0.0000
7 0.5271 nan 0.0708 0.0000
8 0.5270 nan 0.0708 0.0000
9 0.5269 nan 0.0708 0.0000
10 0.5268 nan 0.0708 0.0000
20 0.5256 nan 0.0708 0.0000
40 0.5243 nan 0.0708 -0.0000
60 0.5234 nan 0.0708 -0.0000
80 0.5225 nan 0.0708 -0.0000
100 0.5217 nan 0.0708 -0.0000
120 0.5210 nan 0.0708 -0.0000
140 0.5199 nan 0.0708 -0.0000
160 0.5194 nan 0.0708 -0.0000
180 0.5188 nan 0.0708 -0.0000
200 0.5183 nan 0.0708 -0.0001
220 0.5177 nan 0.0708 -0.0000
240 0.5173 nan 0.0708 -0.0001
260 0.5168 nan 0.0708 -0.0001
280 0.5163 nan 0.0708 -0.0000
300 0.5160 nan 0.0708 -0.0000
320 0.5156 nan 0.0708 -0.0000
340 0.5150 nan 0.0708 -0.0000
360 0.5147 nan 0.0708 -0.0000
380 0.5144 nan 0.0708 -0.0000
400 0.5138 nan 0.0708 -0.0000
420 0.5134 nan 0.0708 -0.0000
440 0.5126 nan 0.0708 0.0001
460 0.5123 nan 0.0708 -0.0000
480 0.5122 nan 0.0708 -0.0000
500 0.5119 nan 0.0708 -0.0000
520 0.5115 nan 0.0708 -0.0000
540 0.5112 nan 0.0708 -0.0000
559 0.5108 nan 0.0708 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0712 0.0001
2 0.5284 nan 0.0712 0.0000
3 0.5283 nan 0.0712 0.0001
4 0.5282 nan 0.0712 0.0000
5 0.5281 nan 0.0712 0.0000
6 0.5280 nan 0.0712 0.0000
7 0.5280 nan 0.0712 0.0000
8 0.5279 nan 0.0712 0.0000
9 0.5278 nan 0.0712 0.0000
10 0.5277 nan 0.0712 0.0000
20 0.5271 nan 0.0712 -0.0000
40 0.5264 nan 0.0712 0.0000
60 0.5258 nan 0.0712 0.0000
80 0.5255 nan 0.0712 -0.0000
100 0.5252 nan 0.0712 -0.0000
120 0.5251 nan 0.0712 -0.0000
140 0.5249 nan 0.0712 -0.0000
160 0.5248 nan 0.0712 -0.0000
180 0.5247 nan 0.0712 -0.0000
200 0.5246 nan 0.0712 -0.0000
220 0.5245 nan 0.0712 -0.0000
240 0.5245 nan 0.0712 -0.0000
260 0.5244 nan 0.0712 -0.0000
280 0.5243 nan 0.0712 -0.0000
300 0.5243 nan 0.0712 -0.0000
320 0.5243 nan 0.0712 -0.0000
340 0.5242 nan 0.0712 -0.0000
360 0.5242 nan 0.0712 -0.0000
380 0.5241 nan 0.0712 -0.0000
400 0.5241 nan 0.0712 -0.0000
420 0.5240 nan 0.0712 -0.0000
440 0.5240 nan 0.0712 -0.0000
441 0.5240 nan 0.0712 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.0722 0.0001
2 0.5280 nan 0.0722 0.0001
3 0.5277 nan 0.0722 0.0001
4 0.5274 nan 0.0722 0.0001
5 0.5272 nan 0.0722 0.0001
6 0.5270 nan 0.0722 0.0000
7 0.5269 nan 0.0722 -0.0000
8 0.5268 nan 0.0722 0.0000
9 0.5266 nan 0.0722 0.0001
10 0.5262 nan 0.0722 0.0001
20 0.5249 nan 0.0722 -0.0000
40 0.5231 nan 0.0722 -0.0000
60 0.5218 nan 0.0722 -0.0000
80 0.5204 nan 0.0722 -0.0002
100 0.5195 nan 0.0722 -0.0000
120 0.5180 nan 0.0722 -0.0000
140 0.5172 nan 0.0722 -0.0002
160 0.5162 nan 0.0722 -0.0000
180 0.5155 nan 0.0722 -0.0001
200 0.5146 nan 0.0722 -0.0000
220 0.5138 nan 0.0722 -0.0001
240 0.5134 nan 0.0722 -0.0000
260 0.5127 nan 0.0722 -0.0000
280 0.5122 nan 0.0722 -0.0000
300 0.5114 nan 0.0722 -0.0000
320 0.5113 nan 0.0722 -0.0000
340 0.5107 nan 0.0722 -0.0000
360 0.5100 nan 0.0722 -0.0000
380 0.5095 nan 0.0722 -0.0000
400 0.5090 nan 0.0722 -0.0001
419 0.5085 nan 0.0722 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5284 nan 0.0781 0.0001
2 0.5282 nan 0.0781 0.0001
3 0.5280 nan 0.0781 0.0001
4 0.5278 nan 0.0781 0.0000
5 0.5276 nan 0.0781 0.0000
6 0.5275 nan 0.0781 0.0000
7 0.5274 nan 0.0781 0.0000
8 0.5273 nan 0.0781 0.0000
9 0.5273 nan 0.0781 0.0000
10 0.5272 nan 0.0781 -0.0000
20 0.5263 nan 0.0781 0.0000
40 0.5252 nan 0.0781 -0.0000
60 0.5246 nan 0.0781 -0.0000
80 0.5240 nan 0.0781 -0.0000
100 0.5237 nan 0.0781 -0.0001
120 0.5233 nan 0.0781 -0.0000
140 0.5232 nan 0.0781 -0.0000
160 0.5227 nan 0.0781 -0.0000
180 0.5223 nan 0.0781 -0.0000
200 0.5220 nan 0.0781 -0.0000
220 0.5217 nan 0.0781 -0.0000
240 0.5215 nan 0.0781 -0.0000
260 0.5209 nan 0.0781 -0.0000
280 0.5205 nan 0.0781 -0.0000
300 0.5201 nan 0.0781 -0.0000
320 0.5201 nan 0.0781 -0.0000
340 0.5200 nan 0.0781 -0.0000
360 0.5197 nan 0.0781 -0.0000
380 0.5195 nan 0.0781 -0.0000
400 0.5191 nan 0.0781 -0.0000
420 0.5188 nan 0.0781 -0.0000
440 0.5185 nan 0.0781 -0.0000
460 0.5184 nan 0.0781 -0.0000
480 0.5183 nan 0.0781 -0.0000
500 0.5182 nan 0.0781 0.0000
520 0.5178 nan 0.0781 -0.0000
540 0.5176 nan 0.0781 -0.0000
560 0.5174 nan 0.0781 -0.0000
580 0.5174 nan 0.0781 -0.0000
600 0.5174 nan 0.0781 -0.0000
620 0.5173 nan 0.0781 -0.0000
640 0.5171 nan 0.0781 -0.0000
660 0.5169 nan 0.0781 -0.0000
680 0.5168 nan 0.0781 -0.0000
700 0.5168 nan 0.0781 -0.0000
720 0.5165 nan 0.0781 -0.0000
740 0.5162 nan 0.0781 -0.0000
760 0.5161 nan 0.0781 -0.0000
780 0.5158 nan 0.0781 -0.0000
800 0.5156 nan 0.0781 -0.0000
820 0.5153 nan 0.0781 -0.0000
840 0.5152 nan 0.0781 -0.0000
860 0.5149 nan 0.0781 -0.0000
880 0.5148 nan 0.0781 -0.0000
900 0.5146 nan 0.0781 -0.0001
920 0.5144 nan 0.0781 -0.0000
923 0.5144 nan 0.0781 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5282 nan 0.0784 0.0001
2 0.5278 nan 0.0784 0.0001
3 0.5275 nan 0.0784 0.0000
4 0.5273 nan 0.0784 -0.0001
5 0.5270 nan 0.0784 0.0001
6 0.5269 nan 0.0784 0.0000
7 0.5266 nan 0.0784 0.0001
8 0.5264 nan 0.0784 0.0000
9 0.5261 nan 0.0784 0.0001
10 0.5260 nan 0.0784 0.0000
20 0.5244 nan 0.0784 0.0000
40 0.5226 nan 0.0784 -0.0002
60 0.5211 nan 0.0784 -0.0000
80 0.5195 nan 0.0784 -0.0000
100 0.5190 nan 0.0784 -0.0002
120 0.5178 nan 0.0784 -0.0001
140 0.5166 nan 0.0784 -0.0001
160 0.5152 nan 0.0784 -0.0001
180 0.5138 nan 0.0784 -0.0000
200 0.5131 nan 0.0784 -0.0000
220 0.5122 nan 0.0784 -0.0000
240 0.5110 nan 0.0784 -0.0001
260 0.5100 nan 0.0784 -0.0000
280 0.5091 nan 0.0784 -0.0000
300 0.5080 nan 0.0784 -0.0001
320 0.5070 nan 0.0784 -0.0001
340 0.5061 nan 0.0784 -0.0000
360 0.5055 nan 0.0784 -0.0002
380 0.5047 nan 0.0784 -0.0001
400 0.5038 nan 0.0784 -0.0000
420 0.5031 nan 0.0784 -0.0000
440 0.5029 nan 0.0784 -0.0001
460 0.5021 nan 0.0784 -0.0000
480 0.5012 nan 0.0784 -0.0000
500 0.5004 nan 0.0784 -0.0000
520 0.4998 nan 0.0784 -0.0002
540 0.4990 nan 0.0784 -0.0000
560 0.4984 nan 0.0784 -0.0001
580 0.4979 nan 0.0784 -0.0000
600 0.4974 nan 0.0784 -0.0000
620 0.4965 nan 0.0784 -0.0001
640 0.4960 nan 0.0784 -0.0000
660 0.4952 nan 0.0784 -0.0000
680 0.4946 nan 0.0784 -0.0001
700 0.4942 nan 0.0784 -0.0001
720 0.4941 nan 0.0784 -0.0000
740 0.4937 nan 0.0784 -0.0000
760 0.4932 nan 0.0784 -0.0000
780 0.4931 nan 0.0784 -0.0004
790 0.4927 nan 0.0784 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5284 nan 0.0794 0.0001
2 0.5282 nan 0.0794 0.0001
3 0.5279 nan 0.0794 0.0001
4 0.5277 nan 0.0794 0.0001
5 0.5276 nan 0.0794 0.0000
6 0.5274 nan 0.0794 0.0001
7 0.5273 nan 0.0794 0.0000
8 0.5272 nan 0.0794 0.0000
9 0.5270 nan 0.0794 0.0000
10 0.5269 nan 0.0794 0.0000
20 0.5261 nan 0.0794 0.0000
40 0.5249 nan 0.0794 -0.0000
60 0.5242 nan 0.0794 0.0000
80 0.5239 nan 0.0794 -0.0003
100 0.5235 nan 0.0794 0.0000
120 0.5231 nan 0.0794 -0.0000
140 0.5227 nan 0.0794 -0.0001
160 0.5224 nan 0.0794 -0.0000
180 0.5221 nan 0.0794 -0.0000
200 0.5219 nan 0.0794 0.0000
220 0.5215 nan 0.0794 -0.0000
240 0.5212 nan 0.0794 -0.0000
260 0.5209 nan 0.0794 -0.0000
280 0.5206 nan 0.0794 -0.0000
300 0.5204 nan 0.0794 -0.0000
320 0.5202 nan 0.0794 -0.0001
340 0.5199 nan 0.0794 -0.0000
351 0.5199 nan 0.0794 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5284 nan 0.0809 0.0000
2 0.5282 nan 0.0809 0.0001
3 0.5279 nan 0.0809 0.0001
4 0.5277 nan 0.0809 0.0000
5 0.5275 nan 0.0809 0.0000
6 0.5273 nan 0.0809 0.0000
7 0.5272 nan 0.0809 0.0000
8 0.5271 nan 0.0809 -0.0000
9 0.5269 nan 0.0809 0.0000
10 0.5268 nan 0.0809 0.0001
20 0.5257 nan 0.0809 -0.0000
40 0.5242 nan 0.0809 -0.0000
60 0.5232 nan 0.0809 -0.0000
80 0.5225 nan 0.0809 -0.0004
100 0.5213 nan 0.0809 -0.0001
120 0.5204 nan 0.0809 -0.0001
140 0.5195 nan 0.0809 -0.0000
160 0.5189 nan 0.0809 -0.0000
180 0.5185 nan 0.0809 -0.0000
200 0.5178 nan 0.0809 -0.0000
220 0.5172 nan 0.0809 -0.0000
240 0.5165 nan 0.0809 -0.0000
260 0.5162 nan 0.0809 -0.0000
280 0.5157 nan 0.0809 -0.0000
300 0.5152 nan 0.0809 -0.0001
320 0.5146 nan 0.0809 -0.0000
340 0.5141 nan 0.0809 -0.0000
360 0.5136 nan 0.0809 -0.0000
380 0.5133 nan 0.0809 -0.0000
400 0.5129 nan 0.0809 -0.0000
420 0.5124 nan 0.0809 -0.0000
440 0.5120 nan 0.0809 -0.0000
460 0.5116 nan 0.0809 -0.0000
480 0.5116 nan 0.0809 -0.0000
500 0.5110 nan 0.0809 -0.0001
520 0.5105 nan 0.0809 -0.0000
540 0.5099 nan 0.0809 -0.0000
560 0.5096 nan 0.0809 -0.0000
580 0.5091 nan 0.0809 -0.0000
600 0.5087 nan 0.0809 -0.0000
620 0.5083 nan 0.0809 -0.0000
640 0.5078 nan 0.0809 0.0000
660 0.5075 nan 0.0809 -0.0000
680 0.5075 nan 0.0809 -0.0000
700 0.5071 nan 0.0809 -0.0001
720 0.5070 nan 0.0809 -0.0000
740 0.5066 nan 0.0809 -0.0000
760 0.5062 nan 0.0809 -0.0000
780 0.5058 nan 0.0809 -0.0000
800 0.5054 nan 0.0809 -0.0000
820 0.5051 nan 0.0809 -0.0000
840 0.5050 nan 0.0809 -0.0000
860 0.5048 nan 0.0809 -0.0000
880 0.5046 nan 0.0809 -0.0003
900 0.5042 nan 0.0809 -0.0001
920 0.5040 nan 0.0809 -0.0001
940 0.5039 nan 0.0809 -0.0001
947 0.5037 nan 0.0809 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5282 nan 0.0841 0.0001
2 0.5280 nan 0.0841 0.0001
3 0.5277 nan 0.0841 0.0001
4 0.5275 nan 0.0841 0.0001
5 0.5273 nan 0.0841 0.0000
6 0.5271 nan 0.0841 0.0001
7 0.5270 nan 0.0841 0.0001
8 0.5268 nan 0.0841 -0.0000
9 0.5267 nan 0.0841 0.0001
10 0.5266 nan 0.0841 0.0000
20 0.5253 nan 0.0841 -0.0000
40 0.5239 nan 0.0841 0.0000
60 0.5233 nan 0.0841 -0.0000
80 0.5225 nan 0.0841 -0.0001
100 0.5218 nan 0.0841 -0.0001
120 0.5211 nan 0.0841 -0.0000
140 0.5204 nan 0.0841 -0.0001
160 0.5199 nan 0.0841 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5282 nan 0.0845 0.0001
2 0.5279 nan 0.0845 0.0001
3 0.5276 nan 0.0845 0.0001
4 0.5272 nan 0.0845 0.0001
5 0.5270 nan 0.0845 0.0000
6 0.5268 nan 0.0845 0.0000
7 0.5265 nan 0.0845 -0.0000
8 0.5263 nan 0.0845 0.0000
9 0.5261 nan 0.0845 -0.0000
10 0.5260 nan 0.0845 0.0000
20 0.5248 nan 0.0845 -0.0000
40 0.5233 nan 0.0845 -0.0000
60 0.5217 nan 0.0845 0.0000
80 0.5206 nan 0.0845 -0.0000
100 0.5197 nan 0.0845 -0.0000
120 0.5189 nan 0.0845 -0.0000
140 0.5183 nan 0.0845 -0.0000
160 0.5177 nan 0.0845 -0.0001
180 0.5170 nan 0.0845 -0.0000
200 0.5163 nan 0.0845 -0.0001
220 0.5158 nan 0.0845 -0.0001
240 0.5153 nan 0.0845 -0.0001
260 0.5147 nan 0.0845 -0.0000
280 0.5143 nan 0.0845 -0.0001
300 0.5137 nan 0.0845 -0.0000
320 0.5132 nan 0.0845 -0.0000
340 0.5127 nan 0.0845 -0.0000
360 0.5121 nan 0.0845 -0.0001
380 0.5120 nan 0.0845 -0.0000
400 0.5114 nan 0.0845 -0.0000
420 0.5109 nan 0.0845 -0.0001
440 0.5107 nan 0.0845 -0.0001
460 0.5102 nan 0.0845 -0.0001
480 0.5097 nan 0.0845 -0.0000
500 0.5093 nan 0.0845 -0.0001
520 0.5091 nan 0.0845 -0.0001
540 0.5086 nan 0.0845 -0.0000
560 0.5082 nan 0.0845 -0.0001
580 0.5080 nan 0.0845 -0.0000
600 0.5076 nan 0.0845 -0.0001
620 0.5071 nan 0.0845 -0.0000
640 0.5068 nan 0.0845 -0.0000
660 0.5065 nan 0.0845 -0.0000
680 0.5061 nan 0.0845 -0.0000
700 0.5057 nan 0.0845 -0.0000
720 0.5052 nan 0.0845 -0.0000
740 0.5049 nan 0.0845 -0.0000
753 0.5046 nan 0.0845 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.0848 0.0001
2 0.5283 nan 0.0848 0.0001
3 0.5282 nan 0.0848 0.0000
4 0.5281 nan 0.0848 0.0000
5 0.5280 nan 0.0848 0.0000
6 0.5280 nan 0.0848 0.0000
7 0.5278 nan 0.0848 0.0000
8 0.5277 nan 0.0848 0.0000
9 0.5276 nan 0.0848 0.0000
10 0.5276 nan 0.0848 0.0000
20 0.5269 nan 0.0848 0.0000
40 0.5262 nan 0.0848 -0.0000
60 0.5256 nan 0.0848 -0.0000
80 0.5252 nan 0.0848 0.0000
100 0.5249 nan 0.0848 -0.0000
120 0.5251 nan 0.0848 -0.0000
140 0.5247 nan 0.0848 -0.0000
160 0.5246 nan 0.0848 -0.0000
180 0.5245 nan 0.0848 -0.0000
200 0.5245 nan 0.0848 -0.0000
220 0.5244 nan 0.0848 -0.0000
240 0.5244 nan 0.0848 -0.0000
260 0.5243 nan 0.0848 -0.0000
280 0.5242 nan 0.0848 -0.0000
300 0.5241 nan 0.0848 -0.0000
320 0.5241 nan 0.0848 -0.0000
340 0.5240 nan 0.0848 -0.0000
360 0.5240 nan 0.0848 -0.0000
380 0.5239 nan 0.0848 -0.0000
400 0.5240 nan 0.0848 -0.0000
420 0.5239 nan 0.0848 -0.0000
440 0.5238 nan 0.0848 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.0859 0.0001
2 0.5281 nan 0.0859 0.0000
3 0.5278 nan 0.0859 0.0001
4 0.5275 nan 0.0859 0.0001
5 0.5272 nan 0.0859 0.0001
6 0.5270 nan 0.0859 0.0001
7 0.5270 nan 0.0859 -0.0000
8 0.5269 nan 0.0859 -0.0000
9 0.5267 nan 0.0859 -0.0000
10 0.5266 nan 0.0859 0.0000
20 0.5253 nan 0.0859 0.0000
40 0.5238 nan 0.0859 -0.0000
60 0.5229 nan 0.0859 -0.0000
80 0.5220 nan 0.0859 0.0000
100 0.5213 nan 0.0859 -0.0000
120 0.5206 nan 0.0859 -0.0000
140 0.5199 nan 0.0859 -0.0000
160 0.5192 nan 0.0859 -0.0001
180 0.5187 nan 0.0859 -0.0000
200 0.5181 nan 0.0859 -0.0000
220 0.5177 nan 0.0859 -0.0000
240 0.5170 nan 0.0859 -0.0000
260 0.5161 nan 0.0859 -0.0000
280 0.5157 nan 0.0859 -0.0000
300 0.5151 nan 0.0859 -0.0000
320 0.5148 nan 0.0859 -0.0000
340 0.5142 nan 0.0859 -0.0000
360 0.5136 nan 0.0859 -0.0000
380 0.5130 nan 0.0859 -0.0000
400 0.5126 nan 0.0859 -0.0001
420 0.5120 nan 0.0859 -0.0001
440 0.5118 nan 0.0859 -0.0000
460 0.5112 nan 0.0859 -0.0000
480 0.5110 nan 0.0859 -0.0001
500 0.5105 nan 0.0859 -0.0000
520 0.5101 nan 0.0859 -0.0000
540 0.5099 nan 0.0859 -0.0000
560 0.5092 nan 0.0859 -0.0001
580 0.5086 nan 0.0859 -0.0000
600 0.5083 nan 0.0859 -0.0000
620 0.5077 nan 0.0859 0.0000
640 0.5073 nan 0.0859 -0.0000
660 0.5066 nan 0.0859 -0.0000
680 0.5062 nan 0.0859 -0.0000
700 0.5058 nan 0.0859 -0.0000
720 0.5055 nan 0.0859 -0.0001
740 0.5052 nan 0.0859 -0.0000
760 0.5047 nan 0.0859 -0.0000
780 0.5043 nan 0.0859 -0.0000
800 0.5039 nan 0.0859 -0.0000
820 0.5034 nan 0.0859 -0.0000
840 0.5032 nan 0.0859 -0.0005
860 0.5028 nan 0.0859 -0.0000
880 0.5024 nan 0.0859 -0.0000
900 0.5022 nan 0.0859 -0.0000
920 0.5017 nan 0.0859 -0.0001
940 0.5012 nan 0.0859 0.0000
941 0.5012 nan 0.0859 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.0877 0.0001
2 0.5281 nan 0.0877 0.0000
3 0.5278 nan 0.0877 0.0001
4 0.5276 nan 0.0877 0.0000
5 0.5274 nan 0.0877 0.0000
6 0.5274 nan 0.0877 -0.0001
7 0.5272 nan 0.0877 0.0001
8 0.5271 nan 0.0877 0.0000
9 0.5270 nan 0.0877 0.0000
10 0.5268 nan 0.0877 0.0000
20 0.5259 nan 0.0877 0.0000
40 0.5247 nan 0.0877 -0.0000
60 0.5241 nan 0.0877 -0.0000
80 0.5234 nan 0.0877 -0.0001
100 0.5228 nan 0.0877 -0.0000
120 0.5224 nan 0.0877 -0.0000
140 0.5220 nan 0.0877 -0.0000
160 0.5220 nan 0.0877 -0.0000
180 0.5216 nan 0.0877 -0.0000
191 0.5218 nan 0.0877 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.0918 0.0002
2 0.5277 nan 0.0918 0.0001
3 0.5274 nan 0.0918 0.0001
4 0.5270 nan 0.0918 0.0001
5 0.5268 nan 0.0918 0.0000
6 0.5265 nan 0.0918 0.0001
7 0.5262 nan 0.0918 0.0000
8 0.5260 nan 0.0918 0.0000
9 0.5257 nan 0.0918 0.0001
10 0.5255 nan 0.0918 0.0000
20 0.5238 nan 0.0918 -0.0000
40 0.5223 nan 0.0918 0.0000
60 0.5211 nan 0.0918 -0.0000
80 0.5193 nan 0.0918 -0.0000
100 0.5179 nan 0.0918 -0.0001
120 0.5174 nan 0.0918 -0.0000
140 0.5157 nan 0.0918 -0.0000
160 0.5144 nan 0.0918 -0.0000
180 0.5133 nan 0.0918 -0.0001
200 0.5126 nan 0.0918 -0.0001
220 0.5116 nan 0.0918 -0.0000
240 0.5107 nan 0.0918 -0.0001
260 0.5099 nan 0.0918 -0.0001
280 0.5088 nan 0.0918 -0.0001
300 0.5083 nan 0.0918 -0.0001
320 0.5080 nan 0.0918 -0.0000
340 0.5071 nan 0.0918 -0.0000
360 0.5067 nan 0.0918 -0.0001
380 0.5059 nan 0.0918 -0.0000
389 0.5059 nan 0.0918 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5284 nan 0.0936 0.0001
2 0.5282 nan 0.0936 0.0000
3 0.5280 nan 0.0936 0.0001
4 0.5279 nan 0.0936 0.0000
5 0.5277 nan 0.0936 0.0001
6 0.5275 nan 0.0936 0.0001
7 0.5273 nan 0.0936 0.0001
8 0.5271 nan 0.0936 0.0000
9 0.5269 nan 0.0936 0.0000
10 0.5269 nan 0.0936 0.0000
20 0.5259 nan 0.0936 -0.0000
40 0.5247 nan 0.0936 -0.0000
60 0.5240 nan 0.0936 -0.0000
80 0.5234 nan 0.0936 -0.0000
100 0.5231 nan 0.0936 -0.0000
120 0.5225 nan 0.0936 -0.0001
140 0.5225 nan 0.0936 -0.0000
160 0.5220 nan 0.0936 0.0000
180 0.5215 nan 0.0936 -0.0000
200 0.5211 nan 0.0936 -0.0001
220 0.5206 nan 0.0936 -0.0000
240 0.5204 nan 0.0936 -0.0000
260 0.5201 nan 0.0936 -0.0001
280 0.5198 nan 0.0936 -0.0000
300 0.5197 nan 0.0936 -0.0001
320 0.5195 nan 0.0936 -0.0000
340 0.5191 nan 0.0936 -0.0001
360 0.5188 nan 0.0936 -0.0000
380 0.5187 nan 0.0936 -0.0000
400 0.5186 nan 0.0936 -0.0000
420 0.5183 nan 0.0936 -0.0000
440 0.5180 nan 0.0936 -0.0000
460 0.5178 nan 0.0936 -0.0000
480 0.5176 nan 0.0936 -0.0000
500 0.5173 nan 0.0936 -0.0000
520 0.5171 nan 0.0936 -0.0000
540 0.5170 nan 0.0936 -0.0000
560 0.5170 nan 0.0936 -0.0000
580 0.5167 nan 0.0936 -0.0000
600 0.5165 nan 0.0936 -0.0001
620 0.5162 nan 0.0936 -0.0001
640 0.5160 nan 0.0936 -0.0001
660 0.5157 nan 0.0936 -0.0000
680 0.5154 nan 0.0936 -0.0000
700 0.5152 nan 0.0936 -0.0000
720 0.5149 nan 0.0936 -0.0000
733 0.5149 nan 0.0936 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.0945 0.0001
2 0.5279 nan 0.0945 0.0001
3 0.5275 nan 0.0945 0.0001
4 0.5271 nan 0.0945 0.0001
5 0.5269 nan 0.0945 0.0000
6 0.5266 nan 0.0945 -0.0000
7 0.5264 nan 0.0945 0.0000
8 0.5261 nan 0.0945 0.0000
9 0.5259 nan 0.0945 -0.0000
10 0.5257 nan 0.0945 -0.0000
20 0.5242 nan 0.0945 -0.0000
40 0.5221 nan 0.0945 -0.0000
60 0.5203 nan 0.0945 -0.0001
80 0.5187 nan 0.0945 -0.0001
100 0.5175 nan 0.0945 -0.0000
120 0.5155 nan 0.0945 -0.0000
140 0.5144 nan 0.0945 -0.0001
160 0.5131 nan 0.0945 -0.0001
180 0.5124 nan 0.0945 -0.0001
200 0.5113 nan 0.0945 -0.0000
220 0.5109 nan 0.0945 -0.0000
240 0.5102 nan 0.0945 -0.0000
256 0.5093 nan 0.0945 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5284 nan 0.0993 0.0001
2 0.5283 nan 0.0993 0.0000
3 0.5281 nan 0.0993 0.0001
4 0.5280 nan 0.0993 0.0000
5 0.5279 nan 0.0993 0.0000
6 0.5278 nan 0.0993 -0.0000
7 0.5277 nan 0.0993 0.0000
8 0.5276 nan 0.0993 0.0000
9 0.5275 nan 0.0993 0.0000
10 0.5275 nan 0.0993 0.0000
20 0.5267 nan 0.0993 0.0000
40 0.5261 nan 0.0993 -0.0001
60 0.5256 nan 0.0993 -0.0000
80 0.5252 nan 0.0993 -0.0000
100 0.5250 nan 0.0993 -0.0000
120 0.5248 nan 0.0993 -0.0000
140 0.5246 nan 0.0993 -0.0000
160 0.5245 nan 0.0993 -0.0000
180 0.5246 nan 0.0993 -0.0000
200 0.5243 nan 0.0993 -0.0000
220 0.5242 nan 0.0993 -0.0000
240 0.5242 nan 0.0993 -0.0000
260 0.5241 nan 0.0993 -0.0000
280 0.5240 nan 0.0993 -0.0000
300 0.5240 nan 0.0993 -0.0000
320 0.5239 nan 0.0993 -0.0000
340 0.5238 nan 0.0993 -0.0000
360 0.5238 nan 0.0993 -0.0000
380 0.5237 nan 0.0993 -0.0000
400 0.5237 nan 0.0993 -0.0000
420 0.5237 nan 0.0993 -0.0000
440 0.5237 nan 0.0993 -0.0000
460 0.5236 nan 0.0993 -0.0000
480 0.5236 nan 0.0993 -0.0000
500 0.5235 nan 0.0993 -0.0001
520 0.5236 nan 0.0993 0.0000
540 0.5235 nan 0.0993 -0.0000
560 0.5234 nan 0.0993 -0.0000
580 0.5233 nan 0.0993 -0.0000
600 0.5233 nan 0.0993 -0.0000
620 0.5232 nan 0.0993 -0.0000
640 0.5232 nan 0.0993 -0.0000
660 0.5232 nan 0.0993 -0.0000
680 0.5232 nan 0.0993 0.0000
700 0.5231 nan 0.0993 -0.0000
720 0.5231 nan 0.0993 -0.0000
740 0.5230 nan 0.0993 -0.0000
760 0.5230 nan 0.0993 -0.0000
780 0.5230 nan 0.0993 -0.0000
800 0.5230 nan 0.0993 -0.0000
820 0.5230 nan 0.0993 -0.0000
840 0.5229 nan 0.0993 -0.0000
860 0.5229 nan 0.0993 -0.0000
869 0.5229 nan 0.0993 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5282 nan 0.0994 0.0002
2 0.5280 nan 0.0994 0.0000
3 0.5279 nan 0.0994 0.0001
4 0.5275 nan 0.0994 0.0001
5 0.5272 nan 0.0994 0.0001
6 0.5271 nan 0.0994 -0.0000
7 0.5268 nan 0.0994 0.0001
8 0.5267 nan 0.0994 -0.0000
9 0.5265 nan 0.0994 0.0001
10 0.5264 nan 0.0994 -0.0000
20 0.5252 nan 0.0994 -0.0000
40 0.5237 nan 0.0994 0.0000
60 0.5228 nan 0.0994 -0.0000
80 0.5217 nan 0.0994 -0.0001
100 0.5207 nan 0.0994 -0.0000
120 0.5201 nan 0.0994 -0.0000
140 0.5199 nan 0.0994 -0.0000
160 0.5196 nan 0.0994 -0.0000
180 0.5187 nan 0.0994 -0.0001
200 0.5181 nan 0.0994 -0.0001
220 0.5175 nan 0.0994 -0.0000
240 0.5174 nan 0.0994 -0.0000
260 0.5169 nan 0.0994 -0.0000
280 0.5164 nan 0.0994 -0.0000
300 0.5159 nan 0.0994 -0.0000
320 0.5155 nan 0.0994 -0.0000
340 0.5151 nan 0.0994 -0.0001
360 0.5149 nan 0.0994 -0.0001
380 0.5144 nan 0.0994 -0.0000
400 0.5138 nan 0.0994 -0.0001
420 0.5133 nan 0.0994 -0.0000
440 0.5130 nan 0.0994 -0.0001
460 0.5125 nan 0.0994 -0.0001
480 0.5118 nan 0.0994 -0.0001
500 0.5114 nan 0.0994 -0.0000
520 0.5111 nan 0.0994 -0.0000
540 0.5107 nan 0.0994 -0.0000
560 0.5102 nan 0.0994 -0.0000
580 0.5098 nan 0.0994 -0.0000
600 0.5095 nan 0.0994 -0.0000
620 0.5091 nan 0.0994 -0.0001
640 0.5087 nan 0.0994 -0.0001
660 0.5090 nan 0.0994 -0.0000
680 0.5086 nan 0.0994 -0.0001
696 0.5083 nan 0.0994 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5282 nan 0.1004 0.0001
2 0.5278 nan 0.1004 0.0001
3 0.5274 nan 0.1004 0.0001
4 0.5271 nan 0.1004 0.0000
5 0.5269 nan 0.1004 -0.0000
6 0.5267 nan 0.1004 0.0000
7 0.5265 nan 0.1004 0.0000
8 0.5262 nan 0.1004 0.0000
9 0.5260 nan 0.1004 -0.0000
10 0.5258 nan 0.1004 0.0000
20 0.5245 nan 0.1004 -0.0000
40 0.5227 nan 0.1004 -0.0000
60 0.5216 nan 0.1004 -0.0000
80 0.5209 nan 0.1004 -0.0001
100 0.5200 nan 0.1004 -0.0001
120 0.5190 nan 0.1004 -0.0001
140 0.5181 nan 0.1004 -0.0001
160 0.5169 nan 0.1004 -0.0001
180 0.5162 nan 0.1004 -0.0000
200 0.5154 nan 0.1004 -0.0001
220 0.5147 nan 0.1004 -0.0001
240 0.5140 nan 0.1004 -0.0000
260 0.5133 nan 0.1004 -0.0001
280 0.5125 nan 0.1004 -0.0001
300 0.5122 nan 0.1004 -0.0000
320 0.5113 nan 0.1004 -0.0001
340 0.5107 nan 0.1004 -0.0001
360 0.5101 nan 0.1004 -0.0001
380 0.5095 nan 0.1004 -0.0001
400 0.5091 nan 0.1004 -0.0000
420 0.5087 nan 0.1004 -0.0001
440 0.5080 nan 0.1004 -0.0000
460 0.5076 nan 0.1004 -0.0000
480 0.5071 nan 0.1004 -0.0001
500 0.5066 nan 0.1004 -0.0000
520 0.5062 nan 0.1004 -0.0001
540 0.5058 nan 0.1004 -0.0000
560 0.5053 nan 0.1004 -0.0000
580 0.5048 nan 0.1004 -0.0001
600 0.5044 nan 0.1004 -0.0001
620 0.5040 nan 0.1004 -0.0001
640 0.5034 nan 0.1004 -0.0000
660 0.5030 nan 0.1004 -0.0001
680 0.5026 nan 0.1004 -0.0001
700 0.5022 nan 0.1004 -0.0000
720 0.5017 nan 0.1004 -0.0001
740 0.5013 nan 0.1004 -0.0000
760 0.5010 nan 0.1004 -0.0001
780 0.5006 nan 0.1004 -0.0001
787 0.5004 nan 0.1004 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1013 0.0002
2 0.5277 nan 0.1013 0.0001
3 0.5273 nan 0.1013 0.0001
4 0.5271 nan 0.1013 0.0000
5 0.5268 nan 0.1013 0.0001
6 0.5265 nan 0.1013 0.0001
7 0.5263 nan 0.1013 -0.0000
8 0.5262 nan 0.1013 0.0000
9 0.5260 nan 0.1013 0.0000
10 0.5258 nan 0.1013 0.0000
20 0.5245 nan 0.1013 -0.0000
40 0.5226 nan 0.1013 -0.0000
60 0.5216 nan 0.1013 -0.0000
80 0.5206 nan 0.1013 -0.0000
100 0.5194 nan 0.1013 -0.0001
120 0.5183 nan 0.1013 -0.0001
140 0.5173 nan 0.1013 -0.0000
160 0.5166 nan 0.1013 -0.0001
180 0.5158 nan 0.1013 -0.0001
200 0.5149 nan 0.1013 -0.0001
220 0.5141 nan 0.1013 -0.0001
240 0.5136 nan 0.1013 -0.0001
260 0.5129 nan 0.1013 -0.0001
280 0.5121 nan 0.1013 -0.0001
300 0.5115 nan 0.1013 -0.0000
320 0.5108 nan 0.1013 -0.0001
340 0.5104 nan 0.1013 -0.0001
360 0.5099 nan 0.1013 -0.0001
380 0.5098 nan 0.1013 -0.0000
400 0.5092 nan 0.1013 -0.0000
420 0.5087 nan 0.1013 -0.0000
440 0.5086 nan 0.1013 -0.0005
460 0.5079 nan 0.1013 -0.0001
480 0.5076 nan 0.1013 -0.0001
500 0.5069 nan 0.1013 -0.0000
520 0.5064 nan 0.1013 -0.0001
540 0.5061 nan 0.1013 -0.0002
560 0.5058 nan 0.1013 -0.0000
580 0.5054 nan 0.1013 -0.0001
600 0.5050 nan 0.1013 -0.0001
601 0.5050 nan 0.1013 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5280 nan 0.1019 0.0002
2 0.5276 nan 0.1019 0.0001
3 0.5272 nan 0.1019 0.0001
4 0.5268 nan 0.1019 0.0001
5 0.5267 nan 0.1019 0.0000
6 0.5263 nan 0.1019 0.0000
7 0.5261 nan 0.1019 0.0000
8 0.5259 nan 0.1019 0.0001
9 0.5256 nan 0.1019 0.0001
10 0.5253 nan 0.1019 0.0000
20 0.5235 nan 0.1019 -0.0001
40 0.5213 nan 0.1019 -0.0000
60 0.5195 nan 0.1019 -0.0001
80 0.5181 nan 0.1019 -0.0001
100 0.5168 nan 0.1019 -0.0001
120 0.5159 nan 0.1019 -0.0001
140 0.5150 nan 0.1019 -0.0000
160 0.5139 nan 0.1019 -0.0000
180 0.5132 nan 0.1019 -0.0001
200 0.5122 nan 0.1019 -0.0001
220 0.5114 nan 0.1019 -0.0001
240 0.5107 nan 0.1019 -0.0001
260 0.5103 nan 0.1019 -0.0001
280 0.5094 nan 0.1019 -0.0001
300 0.5087 nan 0.1019 -0.0001
320 0.5084 nan 0.1019 -0.0001
340 0.5078 nan 0.1019 -0.0001
360 0.5070 nan 0.1019 -0.0001
380 0.5069 nan 0.1019 -0.0001
400 0.5060 nan 0.1019 -0.0001
420 0.5053 nan 0.1019 -0.0001
440 0.5049 nan 0.1019 -0.0001
460 0.5043 nan 0.1019 -0.0001
480 0.5035 nan 0.1019 -0.0000
500 0.5028 nan 0.1019 -0.0001
520 0.5022 nan 0.1019 -0.0001
540 0.5015 nan 0.1019 -0.0000
560 0.5015 nan 0.1019 -0.0001
580 0.5009 nan 0.1019 -0.0001
600 0.5002 nan 0.1019 -0.0000
620 0.5001 nan 0.1019 -0.0001
640 0.4991 nan 0.1019 -0.0001
645 0.4990 nan 0.1019 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1032 0.0002
2 0.5277 nan 0.1032 0.0001
3 0.5273 nan 0.1032 0.0001
4 0.5272 nan 0.1032 -0.0001
5 0.5269 nan 0.1032 0.0001
6 0.5267 nan 0.1032 0.0000
7 0.5265 nan 0.1032 0.0000
8 0.5263 nan 0.1032 -0.0000
9 0.5261 nan 0.1032 0.0000
10 0.5259 nan 0.1032 0.0001
20 0.5244 nan 0.1032 -0.0000
40 0.5226 nan 0.1032 -0.0000
60 0.5213 nan 0.1032 -0.0000
80 0.5208 nan 0.1032 -0.0001
100 0.5195 nan 0.1032 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1044 0.0002
2 0.5278 nan 0.1044 0.0000
3 0.5275 nan 0.1044 0.0000
4 0.5271 nan 0.1044 0.0001
5 0.5269 nan 0.1044 0.0000
6 0.5265 nan 0.1044 0.0001
7 0.5263 nan 0.1044 -0.0000
8 0.5262 nan 0.1044 -0.0000
9 0.5259 nan 0.1044 0.0001
10 0.5256 nan 0.1044 0.0000
20 0.5241 nan 0.1044 -0.0001
40 0.5220 nan 0.1044 -0.0001
60 0.5201 nan 0.1044 -0.0001
80 0.5189 nan 0.1044 -0.0000
100 0.5177 nan 0.1044 -0.0001
120 0.5161 nan 0.1044 -0.0000
140 0.5147 nan 0.1044 -0.0000
160 0.5136 nan 0.1044 -0.0001
180 0.5129 nan 0.1044 -0.0000
200 0.5113 nan 0.1044 -0.0000
220 0.5103 nan 0.1044 -0.0001
240 0.5095 nan 0.1044 -0.0001
260 0.5088 nan 0.1044 -0.0001
280 0.5078 nan 0.1044 -0.0001
300 0.5074 nan 0.1044 -0.0000
320 0.5060 nan 0.1044 -0.0001
340 0.5049 nan 0.1044 -0.0001
360 0.5046 nan 0.1044 -0.0001
380 0.5042 nan 0.1044 -0.0000
400 0.5032 nan 0.1044 -0.0000
420 0.5023 nan 0.1044 -0.0001
440 0.5018 nan 0.1044 -0.0007
460 0.5016 nan 0.1044 -0.0001
480 0.5010 nan 0.1044 -0.0001
500 0.5002 nan 0.1044 -0.0001
520 0.4997 nan 0.1044 -0.0000
540 0.4990 nan 0.1044 -0.0001
560 0.4981 nan 0.1044 -0.0001
580 0.4976 nan 0.1044 -0.0004
600 0.4968 nan 0.1044 -0.0000
620 0.4961 nan 0.1044 -0.0000
640 0.4954 nan 0.1044 -0.0001
660 0.4947 nan 0.1044 -0.0001
680 0.4941 nan 0.1044 -0.0001
700 0.4934 nan 0.1044 -0.0001
720 0.4928 nan 0.1044 -0.0000
740 0.4921 nan 0.1044 -0.0000
760 0.4918 nan 0.1044 -0.0001
764 0.4919 nan 0.1044 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5284 nan 0.1045 0.0001
2 0.5283 nan 0.1045 0.0000
3 0.5281 nan 0.1045 0.0001
4 0.5279 nan 0.1045 0.0000
5 0.5278 nan 0.1045 -0.0000
6 0.5277 nan 0.1045 0.0000
7 0.5276 nan 0.1045 0.0000
8 0.5275 nan 0.1045 0.0000
9 0.5274 nan 0.1045 0.0000
10 0.5274 nan 0.1045 0.0000
20 0.5268 nan 0.1045 0.0000
40 0.5260 nan 0.1045 -0.0000
60 0.5255 nan 0.1045 -0.0000
80 0.5253 nan 0.1045 -0.0000
100 0.5250 nan 0.1045 -0.0000
120 0.5248 nan 0.1045 -0.0000
140 0.5247 nan 0.1045 -0.0000
160 0.5246 nan 0.1045 -0.0000
179 0.5245 nan 0.1045 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1147 0.0002
2 0.5277 nan 0.1147 0.0001
3 0.5273 nan 0.1147 0.0001
4 0.5269 nan 0.1147 0.0001
5 0.5266 nan 0.1147 0.0000
6 0.5264 nan 0.1147 0.0000
7 0.5262 nan 0.1147 0.0000
8 0.5259 nan 0.1147 0.0000
9 0.5258 nan 0.1147 -0.0000
10 0.5257 nan 0.1147 -0.0000
20 0.5244 nan 0.1147 -0.0002
40 0.5224 nan 0.1147 -0.0000
60 0.5207 nan 0.1147 -0.0000
80 0.5196 nan 0.1147 -0.0001
100 0.5184 nan 0.1147 -0.0000
120 0.5172 nan 0.1147 -0.0001
140 0.5160 nan 0.1147 -0.0001
160 0.5149 nan 0.1147 -0.0000
180 0.5142 nan 0.1147 -0.0001
200 0.5141 nan 0.1147 -0.0000
220 0.5132 nan 0.1147 -0.0001
240 0.5120 nan 0.1147 -0.0002
260 0.5113 nan 0.1147 0.0000
280 0.5108 nan 0.1147 -0.0001
300 0.5100 nan 0.1147 -0.0000
320 0.5092 nan 0.1147 -0.0000
340 0.5078 nan 0.1147 0.0000
360 0.5074 nan 0.1147 -0.0003
380 0.5065 nan 0.1147 -0.0000
400 0.5061 nan 0.1147 -0.0000
420 0.5051 nan 0.1147 -0.0003
440 0.5044 nan 0.1147 -0.0003
460 0.5033 nan 0.1147 -0.0001
480 0.5025 nan 0.1147 -0.0000
500 0.5020 nan 0.1147 -0.0000
520 0.5013 nan 0.1147 -0.0000
540 0.5007 nan 0.1147 -0.0000
560 0.4999 nan 0.1147 -0.0001
580 0.4994 nan 0.1147 -0.0001
600 0.4989 nan 0.1147 -0.0001
620 0.4980 nan 0.1147 -0.0001
640 0.4983 nan 0.1147 -0.0000
660 0.4977 nan 0.1147 -0.0001
680 0.4969 nan 0.1147 -0.0004
700 0.4962 nan 0.1147 -0.0000
720 0.4957 nan 0.1147 -0.0001
740 0.4953 nan 0.1147 -0.0000
756 0.4948 nan 0.1147 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1164 0.0002
2 0.5278 nan 0.1164 0.0000
3 0.5275 nan 0.1164 0.0001
4 0.5272 nan 0.1164 0.0001
5 0.5269 nan 0.1164 0.0001
6 0.5267 nan 0.1164 0.0000
7 0.5266 nan 0.1164 0.0000
8 0.5264 nan 0.1164 0.0001
9 0.5263 nan 0.1164 -0.0000
10 0.5260 nan 0.1164 -0.0000
20 0.5245 nan 0.1164 -0.0000
40 0.5231 nan 0.1164 -0.0001
60 0.5221 nan 0.1164 -0.0000
80 0.5214 nan 0.1164 -0.0001
100 0.5207 nan 0.1164 -0.0001
120 0.5199 nan 0.1164 -0.0000
140 0.5193 nan 0.1164 -0.0001
160 0.5186 nan 0.1164 -0.0000
180 0.5178 nan 0.1164 -0.0000
200 0.5173 nan 0.1164 -0.0001
220 0.5166 nan 0.1164 -0.0000
240 0.5161 nan 0.1164 -0.0001
260 0.5157 nan 0.1164 -0.0000
280 0.5153 nan 0.1164 -0.0001
300 0.5151 nan 0.1164 -0.0001
320 0.5143 nan 0.1164 -0.0000
340 0.5140 nan 0.1164 -0.0001
360 0.5134 nan 0.1164 -0.0001
380 0.5130 nan 0.1164 -0.0000
400 0.5128 nan 0.1164 -0.0001
420 0.5123 nan 0.1164 -0.0001
440 0.5118 nan 0.1164 -0.0000
460 0.5115 nan 0.1164 -0.0001
480 0.5110 nan 0.1164 -0.0001
500 0.5105 nan 0.1164 -0.0000
520 0.5102 nan 0.1164 -0.0000
540 0.5099 nan 0.1164 -0.0001
560 0.5096 nan 0.1164 -0.0001
580 0.5099 nan 0.1164 -0.0000
600 0.5094 nan 0.1164 -0.0000
620 0.5090 nan 0.1164 -0.0000
640 0.5087 nan 0.1164 -0.0000
660 0.5089 nan 0.1164 -0.0000
680 0.5084 nan 0.1164 -0.0001
700 0.5079 nan 0.1164 -0.0000
720 0.5076 nan 0.1164 -0.0001
740 0.5071 nan 0.1164 -0.0000
760 0.5072 nan 0.1164 -0.0001
780 0.5067 nan 0.1164 -0.0001
800 0.5063 nan 0.1164 -0.0000
820 0.5061 nan 0.1164 -0.0001
840 0.5058 nan 0.1164 -0.0001
860 0.5055 nan 0.1164 -0.0000
880 0.5057 nan 0.1164 -0.0000
900 0.5052 nan 0.1164 -0.0001
920 0.5054 nan 0.1164 -0.0000
938 0.5052 nan 0.1164 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5282 nan 0.1195 0.0002
2 0.5278 nan 0.1195 0.0001
3 0.5275 nan 0.1195 0.0001
4 0.5274 nan 0.1195 -0.0000
5 0.5272 nan 0.1195 -0.0000
6 0.5271 nan 0.1195 0.0000
7 0.5269 nan 0.1195 0.0000
8 0.5268 nan 0.1195 -0.0000
9 0.5267 nan 0.1195 -0.0001
10 0.5265 nan 0.1195 0.0000
20 0.5255 nan 0.1195 0.0000
40 0.5247 nan 0.1195 -0.0000
60 0.5238 nan 0.1195 -0.0000
80 0.5231 nan 0.1195 -0.0000
100 0.5225 nan 0.1195 -0.0001
120 0.5221 nan 0.1195 -0.0000
140 0.5217 nan 0.1195 -0.0000
160 0.5214 nan 0.1195 -0.0002
180 0.5213 nan 0.1195 -0.0000
200 0.5212 nan 0.1195 -0.0000
220 0.5209 nan 0.1195 -0.0000
240 0.5206 nan 0.1195 -0.0000
260 0.5206 nan 0.1195 -0.0001
280 0.5202 nan 0.1195 -0.0001
300 0.5198 nan 0.1195 -0.0000
320 0.5194 nan 0.1195 -0.0000
340 0.5193 nan 0.1195 -0.0000
358 0.5189 nan 0.1195 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.1204 0.0001
2 0.5279 nan 0.1204 0.0001
3 0.5277 nan 0.1204 0.0000
4 0.5273 nan 0.1204 0.0001
5 0.5270 nan 0.1204 0.0001
6 0.5266 nan 0.1204 0.0001
7 0.5264 nan 0.1204 -0.0000
8 0.5262 nan 0.1204 0.0000
9 0.5261 nan 0.1204 0.0000
10 0.5259 nan 0.1204 0.0000
20 0.5249 nan 0.1204 -0.0000
40 0.5231 nan 0.1204 -0.0000
60 0.5218 nan 0.1204 -0.0000
80 0.5206 nan 0.1204 -0.0000
100 0.5197 nan 0.1204 -0.0001
120 0.5190 nan 0.1204 -0.0001
140 0.5181 nan 0.1204 -0.0001
160 0.5182 nan 0.1204 -0.0000
180 0.5173 nan 0.1204 -0.0001
200 0.5170 nan 0.1204 -0.0001
220 0.5162 nan 0.1204 -0.0000
240 0.5158 nan 0.1204 -0.0000
260 0.5152 nan 0.1204 -0.0000
280 0.5146 nan 0.1204 -0.0000
300 0.5138 nan 0.1204 -0.0000
320 0.5132 nan 0.1204 -0.0001
340 0.5124 nan 0.1204 -0.0001
360 0.5122 nan 0.1204 -0.0000
380 0.5118 nan 0.1204 -0.0001
400 0.5111 nan 0.1204 -0.0001
420 0.5108 nan 0.1204 -0.0001
440 0.5116 nan 0.1204 -0.0000
460 0.5113 nan 0.1204 -0.0006
480 0.5106 nan 0.1204 -0.0001
500 0.5101 nan 0.1204 -0.0000
520 0.5099 nan 0.1204 -0.0000
540 0.5094 nan 0.1204 -0.0001
560 0.5090 nan 0.1204 -0.0001
580 0.5091 nan 0.1204 -0.0002
600 0.5090 nan 0.1204 -0.0001
620 0.5084 nan 0.1204 -0.0000
640 0.5079 nan 0.1204 -0.0000
660 0.5075 nan 0.1204 -0.0004
680 0.5070 nan 0.1204 -0.0001
700 0.5067 nan 0.1204 -0.0001
720 0.5069 nan 0.1204 -0.0001
740 0.5064 nan 0.1204 -0.0000
760 0.5058 nan 0.1204 -0.0000
780 0.5055 nan 0.1204 -0.0001
800 0.5053 nan 0.1204 -0.0000
820 0.5048 nan 0.1204 -0.0000
840 0.5044 nan 0.1204 -0.0001
860 0.5048 nan 0.1204 -0.0000
880 0.5043 nan 0.1204 -0.0001
900 0.5039 nan 0.1204 -0.0001
920 0.5036 nan 0.1204 -0.0000
922 0.5035 nan 0.1204 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.1207 0.0001
2 0.5282 nan 0.1207 0.0001
3 0.5280 nan 0.1207 0.0000
4 0.5279 nan 0.1207 0.0000
5 0.5277 nan 0.1207 0.0000
6 0.5276 nan 0.1207 0.0000
7 0.5275 nan 0.1207 -0.0000
8 0.5274 nan 0.1207 0.0000
9 0.5273 nan 0.1207 -0.0000
10 0.5272 nan 0.1207 0.0000
20 0.5265 nan 0.1207 -0.0000
40 0.5257 nan 0.1207 -0.0000
60 0.5254 nan 0.1207 -0.0000
80 0.5251 nan 0.1207 -0.0000
100 0.5248 nan 0.1207 -0.0000
120 0.5247 nan 0.1207 -0.0000
140 0.5246 nan 0.1207 -0.0000
160 0.5244 nan 0.1207 -0.0000
180 0.5243 nan 0.1207 -0.0001
200 0.5242 nan 0.1207 -0.0001
220 0.5242 nan 0.1207 -0.0000
221 0.5242 nan 0.1207 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1239 0.0003
2 0.5277 nan 0.1239 0.0001
3 0.5273 nan 0.1239 0.0001
4 0.5270 nan 0.1239 0.0001
5 0.5267 nan 0.1239 0.0000
6 0.5265 nan 0.1239 0.0000
7 0.5263 nan 0.1239 0.0000
8 0.5260 nan 0.1239 -0.0001
9 0.5258 nan 0.1239 -0.0000
10 0.5256 nan 0.1239 -0.0000
20 0.5240 nan 0.1239 0.0000
40 0.5226 nan 0.1239 -0.0000
60 0.5208 nan 0.1239 -0.0004
80 0.5197 nan 0.1239 -0.0000
100 0.5183 nan 0.1239 -0.0000
120 0.5176 nan 0.1239 -0.0001
140 0.5165 nan 0.1239 -0.0000
160 0.5158 nan 0.1239 -0.0001
180 0.5147 nan 0.1239 -0.0000
200 0.5139 nan 0.1239 -0.0001
220 0.5127 nan 0.1239 -0.0008
240 0.5117 nan 0.1239 -0.0001
260 0.5105 nan 0.1239 -0.0001
280 0.5096 nan 0.1239 -0.0001
300 0.5087 nan 0.1239 -0.0001
320 0.5079 nan 0.1239 -0.0001
340 0.5074 nan 0.1239 -0.0000
360 0.5066 nan 0.1239 -0.0000
380 0.5065 nan 0.1239 -0.0004
400 0.5057 nan 0.1239 -0.0001
420 0.5055 nan 0.1239 -0.0001
440 0.5046 nan 0.1239 -0.0000
460 0.5036 nan 0.1239 -0.0001
480 0.5033 nan 0.1239 -0.0001
500 0.5031 nan 0.1239 -0.0000
520 0.5021 nan 0.1239 -0.0000
540 0.5015 nan 0.1239 -0.0001
560 0.5008 nan 0.1239 -0.0001
580 0.5002 nan 0.1239 -0.0001
600 0.5002 nan 0.1239 -0.0000
620 0.4998 nan 0.1239 -0.0001
640 0.4992 nan 0.1239 -0.0002
660 0.4984 nan 0.1239 -0.0001
680 0.4979 nan 0.1239 -0.0001
700 0.4975 nan 0.1239 -0.0001
720 0.4969 nan 0.1239 -0.0000
740 0.4966 nan 0.1239 -0.0001
755 0.4962 nan 0.1239 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5285 nan 0.1270 0.0000
2 0.5282 nan 0.1270 0.0001
3 0.5281 nan 0.1270 0.0000
4 0.5279 nan 0.1270 0.0000
5 0.5278 nan 0.1270 0.0001
6 0.5276 nan 0.1270 0.0000
7 0.5275 nan 0.1270 0.0000
8 0.5275 nan 0.1270 -0.0000
9 0.5274 nan 0.1270 0.0000
10 0.5273 nan 0.1270 0.0000
20 0.5265 nan 0.1270 -0.0000
40 0.5257 nan 0.1270 0.0000
60 0.5252 nan 0.1270 -0.0000
80 0.5249 nan 0.1270 -0.0000
100 0.5247 nan 0.1270 -0.0000
120 0.5246 nan 0.1270 -0.0000
140 0.5245 nan 0.1270 -0.0000
160 0.5243 nan 0.1270 -0.0000
180 0.5243 nan 0.1270 -0.0000
200 0.5241 nan 0.1270 -0.0000
220 0.5241 nan 0.1270 -0.0000
240 0.5240 nan 0.1270 -0.0000
260 0.5240 nan 0.1270 -0.0000
280 0.5239 nan 0.1270 -0.0000
300 0.5239 nan 0.1270 -0.0000
320 0.5238 nan 0.1270 -0.0000
340 0.5237 nan 0.1270 -0.0000
360 0.5237 nan 0.1270 -0.0000
380 0.5237 nan 0.1270 -0.0000
400 0.5236 nan 0.1270 -0.0000
420 0.5235 nan 0.1270 -0.0000
440 0.5234 nan 0.1270 -0.0000
460 0.5233 nan 0.1270 -0.0000
479 0.5233 nan 0.1270 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1323 0.0002
2 0.5276 nan 0.1323 0.0001
3 0.5270 nan 0.1323 0.0001
4 0.5267 nan 0.1323 0.0001
5 0.5263 nan 0.1323 0.0000
6 0.5261 nan 0.1323 0.0001
7 0.5258 nan 0.1323 0.0000
8 0.5254 nan 0.1323 0.0001
9 0.5252 nan 0.1323 -0.0000
10 0.5250 nan 0.1323 -0.0000
20 0.5234 nan 0.1323 -0.0001
40 0.5211 nan 0.1323 -0.0000
60 0.5198 nan 0.1323 -0.0001
80 0.5182 nan 0.1323 -0.0001
100 0.5166 nan 0.1323 -0.0000
120 0.5163 nan 0.1323 -0.0000
140 0.5151 nan 0.1323 -0.0001
160 0.5141 nan 0.1323 -0.0001
180 0.5139 nan 0.1323 -0.0000
200 0.5128 nan 0.1323 -0.0001
220 0.5120 nan 0.1323 -0.0001
240 0.5110 nan 0.1323 -0.0001
260 0.5104 nan 0.1323 -0.0001
280 0.5095 nan 0.1323 -0.0001
300 0.5092 nan 0.1323 -0.0001
320 0.5083 nan 0.1323 -0.0001
340 0.5074 nan 0.1323 -0.0001
360 0.5066 nan 0.1323 -0.0001
380 0.5060 nan 0.1323 -0.0001
400 0.5051 nan 0.1323 -0.0001
420 0.5045 nan 0.1323 -0.0001
440 0.5038 nan 0.1323 -0.0001
460 0.5032 nan 0.1323 -0.0001
480 0.5026 nan 0.1323 -0.0001
500 0.5019 nan 0.1323 -0.0001
520 0.5014 nan 0.1323 -0.0001
540 0.5010 nan 0.1323 -0.0001
558 0.5004 nan 0.1323 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5279 nan 0.1340 0.0002
2 0.5274 nan 0.1340 0.0002
3 0.5270 nan 0.1340 0.0001
4 0.5267 nan 0.1340 0.0001
5 0.5263 nan 0.1340 0.0000
6 0.5265 nan 0.1340 -0.0005
7 0.5261 nan 0.1340 0.0001
8 0.5259 nan 0.1340 -0.0000
9 0.5260 nan 0.1340 -0.0005
10 0.5257 nan 0.1340 -0.0001
20 0.5240 nan 0.1340 -0.0001
40 0.5216 nan 0.1340 -0.0001
60 0.5195 nan 0.1340 -0.0000
80 0.5182 nan 0.1340 -0.0000
100 0.5162 nan 0.1340 -0.0000
120 0.5147 nan 0.1340 -0.0001
140 0.5131 nan 0.1340 -0.0001
160 0.5116 nan 0.1340 -0.0004
180 0.5102 nan 0.1340 -0.0001
200 0.5091 nan 0.1340 -0.0000
220 0.5077 nan 0.1340 -0.0001
240 0.5063 nan 0.1340 -0.0000
260 0.5047 nan 0.1340 -0.0002
280 0.5035 nan 0.1340 -0.0002
300 0.5024 nan 0.1340 -0.0003
320 0.5017 nan 0.1340 -0.0001
340 0.5018 nan 0.1340 -0.0004
360 0.5011 nan 0.1340 -0.0006
380 0.5000 nan 0.1340 -0.0001
400 0.4991 nan 0.1340 -0.0002
420 0.4980 nan 0.1340 -0.0001
440 0.4966 nan 0.1340 -0.0000
460 0.4953 nan 0.1340 -0.0001
480 0.4941 nan 0.1340 -0.0000
500 0.4932 nan 0.1340 -0.0001
520 0.4923 nan 0.1340 -0.0001
540 0.4919 nan 0.1340 -0.0000
560 0.4913 nan 0.1340 -0.0004
573 0.4910 nan 0.1340 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.1341 0.0001
2 0.5282 nan 0.1341 0.0001
3 0.5280 nan 0.1341 -0.0000
4 0.5278 nan 0.1341 0.0001
5 0.5277 nan 0.1341 0.0000
6 0.5276 nan 0.1341 -0.0000
7 0.5275 nan 0.1341 -0.0000
8 0.5274 nan 0.1341 0.0000
9 0.5273 nan 0.1341 0.0000
10 0.5272 nan 0.1341 0.0000
20 0.5265 nan 0.1341 -0.0000
40 0.5257 nan 0.1341 -0.0000
60 0.5252 nan 0.1341 -0.0000
80 0.5250 nan 0.1341 -0.0000
100 0.5248 nan 0.1341 -0.0000
120 0.5246 nan 0.1341 -0.0000
140 0.5245 nan 0.1341 -0.0000
160 0.5243 nan 0.1341 -0.0000
180 0.5242 nan 0.1341 -0.0000
200 0.5241 nan 0.1341 -0.0000
220 0.5240 nan 0.1341 -0.0000
240 0.5239 nan 0.1341 -0.0000
260 0.5238 nan 0.1341 -0.0000
280 0.5238 nan 0.1341 -0.0000
300 0.5237 nan 0.1341 -0.0000
320 0.5235 nan 0.1341 -0.0001
340 0.5235 nan 0.1341 -0.0000
360 0.5234 nan 0.1341 -0.0000
380 0.5233 nan 0.1341 -0.0000
388 0.5233 nan 0.1341 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5284 nan 0.1348 0.0001
2 0.5281 nan 0.1348 0.0001
3 0.5280 nan 0.1348 0.0001
4 0.5278 nan 0.1348 0.0000
5 0.5277 nan 0.1348 0.0000
6 0.5276 nan 0.1348 0.0000
7 0.5275 nan 0.1348 0.0000
8 0.5273 nan 0.1348 0.0000
9 0.5272 nan 0.1348 0.0000
10 0.5271 nan 0.1348 0.0000
20 0.5264 nan 0.1348 -0.0000
40 0.5257 nan 0.1348 -0.0000
60 0.5252 nan 0.1348 -0.0000
80 0.5249 nan 0.1348 0.0000
100 0.5248 nan 0.1348 -0.0000
120 0.5247 nan 0.1348 -0.0000
140 0.5245 nan 0.1348 -0.0001
160 0.5245 nan 0.1348 -0.0000
172 0.5244 nan 0.1348 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1402 0.0002
2 0.5277 nan 0.1402 0.0001
3 0.5274 nan 0.1402 0.0001
4 0.5270 nan 0.1402 0.0001
5 0.5267 nan 0.1402 0.0001
6 0.5264 nan 0.1402 0.0000
7 0.5263 nan 0.1402 -0.0000
8 0.5261 nan 0.1402 0.0000
9 0.5259 nan 0.1402 0.0001
10 0.5258 nan 0.1402 -0.0000
20 0.5244 nan 0.1402 -0.0000
40 0.5229 nan 0.1402 -0.0000
60 0.5222 nan 0.1402 -0.0001
80 0.5214 nan 0.1402 -0.0001
100 0.5203 nan 0.1402 -0.0000
120 0.5199 nan 0.1402 -0.0001
140 0.5192 nan 0.1402 -0.0005
160 0.5184 nan 0.1402 -0.0000
180 0.5179 nan 0.1402 -0.0000
200 0.5169 nan 0.1402 -0.0001
220 0.5165 nan 0.1402 -0.0001
228 0.5161 nan 0.1402 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5283 nan 0.1450 0.0001
2 0.5281 nan 0.1450 0.0001
3 0.5279 nan 0.1450 0.0001
4 0.5278 nan 0.1450 0.0000
5 0.5276 nan 0.1450 0.0001
6 0.5275 nan 0.1450 0.0000
7 0.5274 nan 0.1450 0.0000
8 0.5273 nan 0.1450 -0.0000
9 0.5272 nan 0.1450 -0.0000
10 0.5271 nan 0.1450 -0.0000
20 0.5263 nan 0.1450 0.0000
40 0.5255 nan 0.1450 0.0000
60 0.5251 nan 0.1450 -0.0000
80 0.5249 nan 0.1450 -0.0001
100 0.5246 nan 0.1450 -0.0000
120 0.5244 nan 0.1450 -0.0000
140 0.5243 nan 0.1450 -0.0000
160 0.5242 nan 0.1450 -0.0000
180 0.5241 nan 0.1450 -0.0000
200 0.5240 nan 0.1450 -0.0000
220 0.5239 nan 0.1450 -0.0000
240 0.5238 nan 0.1450 -0.0000
260 0.5238 nan 0.1450 -0.0001
280 0.5237 nan 0.1450 -0.0000
300 0.5237 nan 0.1450 -0.0000
320 0.5236 nan 0.1450 -0.0000
340 0.5236 nan 0.1450 -0.0000
360 0.5235 nan 0.1450 -0.0000
380 0.5235 nan 0.1450 -0.0000
400 0.5235 nan 0.1450 -0.0000
420 0.5234 nan 0.1450 -0.0000
440 0.5234 nan 0.1450 -0.0000
456 0.5233 nan 0.1450 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5278 nan 0.1470 0.0002
2 0.5275 nan 0.1470 0.0001
3 0.5271 nan 0.1470 0.0000
4 0.5266 nan 0.1470 0.0002
5 0.5263 nan 0.1470 0.0001
6 0.5261 nan 0.1470 0.0000
7 0.5257 nan 0.1470 0.0001
8 0.5253 nan 0.1470 0.0000
9 0.5250 nan 0.1470 0.0001
10 0.5247 nan 0.1470 -0.0000
20 0.5237 nan 0.1470 -0.0001
40 0.5211 nan 0.1470 -0.0000
60 0.5195 nan 0.1470 -0.0002
80 0.5176 nan 0.1470 -0.0001
100 0.5162 nan 0.1470 -0.0000
119 0.5144 nan 0.1470 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5280 nan 0.1473 0.0002
2 0.5278 nan 0.1473 0.0001
3 0.5276 nan 0.1473 0.0001
4 0.5273 nan 0.1473 0.0000
5 0.5272 nan 0.1473 0.0000
6 0.5270 nan 0.1473 0.0000
7 0.5268 nan 0.1473 -0.0001
8 0.5267 nan 0.1473 0.0000
9 0.5265 nan 0.1473 0.0001
10 0.5264 nan 0.1473 0.0000
20 0.5251 nan 0.1473 -0.0000
40 0.5245 nan 0.1473 -0.0001
60 0.5235 nan 0.1473 -0.0000
80 0.5234 nan 0.1473 -0.0000
100 0.5222 nan 0.1473 -0.0000
120 0.5215 nan 0.1473 -0.0000
140 0.5208 nan 0.1473 -0.0000
160 0.5201 nan 0.1473 -0.0000
180 0.5197 nan 0.1473 -0.0000
200 0.5193 nan 0.1473 -0.0001
220 0.5188 nan 0.1473 -0.0003
240 0.5185 nan 0.1473 -0.0001
260 0.5184 nan 0.1473 -0.0001
272 0.5184 nan 0.1473 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5279 nan 0.1526 0.0002
2 0.5276 nan 0.1526 0.0001
3 0.5271 nan 0.1526 0.0002
4 0.5268 nan 0.1526 -0.0000
5 0.5264 nan 0.1526 0.0001
6 0.5262 nan 0.1526 0.0000
7 0.5259 nan 0.1526 -0.0000
8 0.5256 nan 0.1526 -0.0000
9 0.5254 nan 0.1526 -0.0001
10 0.5253 nan 0.1526 -0.0001
20 0.5234 nan 0.1526 -0.0001
40 0.5211 nan 0.1526 -0.0001
60 0.5202 nan 0.1526 -0.0001
80 0.5194 nan 0.1526 -0.0000
100 0.5188 nan 0.1526 -0.0001
120 0.5173 nan 0.1526 -0.0001
140 0.5159 nan 0.1526 -0.0001
160 0.5163 nan 0.1526 -0.0001
180 0.5150 nan 0.1526 -0.0001
200 0.5134 nan 0.1526 -0.0001
220 0.5123 nan 0.1526 -0.0000
240 0.5119 nan 0.1526 -0.0001
260 0.5107 nan 0.1526 -0.0001
280 0.5098 nan 0.1526 -0.0001
300 0.5089 nan 0.1526 -0.0001
320 0.5076 nan 0.1526 -0.0001
340 0.5068 nan 0.1526 -0.0001
360 0.5061 nan 0.1526 -0.0001
380 0.5056 nan 0.1526 -0.0001
400 0.5048 nan 0.1526 -0.0003
420 0.5034 nan 0.1526 -0.0000
440 0.5029 nan 0.1526 -0.0000
460 0.5021 nan 0.1526 -0.0001
480 0.5015 nan 0.1526 -0.0001
500 0.5006 nan 0.1526 -0.0001
520 0.4995 nan 0.1526 -0.0000
540 0.4985 nan 0.1526 -0.0001
560 0.4980 nan 0.1526 -0.0001
580 0.4982 nan 0.1526 -0.0001
600 0.4976 nan 0.1526 -0.0000
620 0.4966 nan 0.1526 -0.0000
640 0.4961 nan 0.1526 -0.0001
660 0.4955 nan 0.1526 -0.0001
680 0.4952 nan 0.1526 -0.0001
700 0.4951 nan 0.1526 -0.0001
720 0.4946 nan 0.1526 -0.0001
738 0.4938 nan 0.1526 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5284 nan 0.1541 0.0000
2 0.5282 nan 0.1541 0.0000
3 0.5280 nan 0.1541 0.0001
4 0.5279 nan 0.1541 0.0000
5 0.5277 nan 0.1541 -0.0000
6 0.5276 nan 0.1541 0.0000
7 0.5273 nan 0.1541 0.0001
8 0.5272 nan 0.1541 0.0000
9 0.5272 nan 0.1541 0.0000
10 0.5271 nan 0.1541 -0.0000
20 0.5263 nan 0.1541 0.0000
40 0.5254 nan 0.1541 -0.0000
60 0.5251 nan 0.1541 -0.0000
80 0.5248 nan 0.1541 -0.0000
100 0.5246 nan 0.1541 -0.0000
120 0.5245 nan 0.1541 -0.0000
140 0.5244 nan 0.1541 -0.0001
160 0.5242 nan 0.1541 -0.0000
180 0.5242 nan 0.1541 -0.0000
200 0.5241 nan 0.1541 -0.0001
220 0.5240 nan 0.1541 -0.0000
240 0.5238 nan 0.1541 -0.0000
260 0.5239 nan 0.1541 -0.0001
280 0.5238 nan 0.1541 -0.0000
300 0.5237 nan 0.1541 -0.0000
320 0.5236 nan 0.1541 -0.0001
340 0.5235 nan 0.1541 -0.0000
360 0.5235 nan 0.1541 -0.0000
380 0.5234 nan 0.1541 -0.0000
400 0.5233 nan 0.1541 -0.0000
420 0.5232 nan 0.1541 -0.0000
440 0.5232 nan 0.1541 -0.0000
443 0.5231 nan 0.1541 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5278 nan 0.1632 0.0002
2 0.5273 nan 0.1632 0.0000
3 0.5269 nan 0.1632 0.0002
4 0.5265 nan 0.1632 0.0000
5 0.5262 nan 0.1632 0.0000
6 0.5258 nan 0.1632 0.0000
7 0.5261 nan 0.1632 -0.0007
8 0.5258 nan 0.1632 -0.0000
9 0.5256 nan 0.1632 0.0000
10 0.5251 nan 0.1632 0.0001
20 0.5236 nan 0.1632 -0.0001
40 0.5208 nan 0.1632 -0.0000
60 0.5188 nan 0.1632 -0.0001
80 0.5160 nan 0.1632 -0.0000
100 0.5147 nan 0.1632 -0.0001
120 0.5129 nan 0.1632 -0.0001
140 0.5111 nan 0.1632 -0.0001
160 0.5114 nan 0.1632 -0.0002
180 0.5110 nan 0.1632 -0.0001
200 0.5095 nan 0.1632 -0.0001
220 0.5079 nan 0.1632 -0.0001
240 0.5070 nan 0.1632 -0.0001
260 0.5059 nan 0.1632 -0.0002
280 0.5042 nan 0.1632 -0.0001
300 0.5034 nan 0.1632 -0.0001
320 0.5020 nan 0.1632 -0.0002
329 0.5022 nan 0.1632 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5279 nan 0.1648 0.0002
2 0.5272 nan 0.1648 0.0002
3 0.5269 nan 0.1648 0.0001
4 0.5265 nan 0.1648 0.0000
5 0.5261 nan 0.1648 -0.0001
6 0.5256 nan 0.1648 0.0001
7 0.5253 nan 0.1648 0.0000
8 0.5249 nan 0.1648 -0.0000
9 0.5246 nan 0.1648 -0.0001
10 0.5243 nan 0.1648 0.0000
20 0.5221 nan 0.1648 -0.0001
40 0.5195 nan 0.1648 -0.0001
60 0.5177 nan 0.1648 -0.0001
80 0.5163 nan 0.1648 -0.0003
100 0.5150 nan 0.1648 -0.0001
120 0.5131 nan 0.1648 -0.0001
140 0.5118 nan 0.1648 -0.0001
160 0.5105 nan 0.1648 -0.0001
180 0.5099 nan 0.1648 -0.0001
200 0.5096 nan 0.1648 -0.0001
220 0.5086 nan 0.1648 -0.0001
240 0.5075 nan 0.1648 -0.0000
260 0.5062 nan 0.1648 -0.0001
280 0.5056 nan 0.1648 -0.0000
300 0.5045 nan 0.1648 -0.0000
320 0.5049 nan 0.1648 -0.0002
340 0.5041 nan 0.1648 -0.0001
360 0.5026 nan 0.1648 -0.0001
380 0.5017 nan 0.1648 -0.0002
400 0.5005 nan 0.1648 -0.0001
420 0.5000 nan 0.1648 -0.0002
440 0.4995 nan 0.1648 -0.0001
460 0.4992 nan 0.1648 -0.0008
480 0.4976 nan 0.1648 -0.0001
500 0.4969 nan 0.1648 -0.0001
520 0.4963 nan 0.1648 -0.0001
540 0.4954 nan 0.1648 -0.0002
560 0.4955 nan 0.1648 -0.0001
580 0.4953 nan 0.1648 -0.0002
600 0.4957 nan 0.1648 -0.0001
620 0.4949 nan 0.1648 -0.0001
640 0.4941 nan 0.1648 -0.0001
660 0.4931 nan 0.1648 -0.0001
680 0.4921 nan 0.1648 -0.0001
700 0.4915 nan 0.1648 -0.0001
720 0.4917 nan 0.1648 -0.0001
740 0.4910 nan 0.1648 -0.0002
760 0.4902 nan 0.1648 -0.0001
776 0.4896 nan 0.1648 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5279 nan 0.1655 0.0002
2 0.5275 nan 0.1655 0.0001
3 0.5273 nan 0.1655 0.0000
4 0.5270 nan 0.1655 -0.0000
5 0.5268 nan 0.1655 0.0000
6 0.5265 nan 0.1655 0.0001
7 0.5263 nan 0.1655 0.0001
8 0.5261 nan 0.1655 0.0000
9 0.5259 nan 0.1655 -0.0000
10 0.5257 nan 0.1655 -0.0001
20 0.5243 nan 0.1655 -0.0000
40 0.5223 nan 0.1655 0.0000
60 0.5214 nan 0.1655 -0.0001
80 0.5202 nan 0.1655 -0.0001
100 0.5203 nan 0.1655 -0.0000
120 0.5193 nan 0.1655 -0.0001
140 0.5190 nan 0.1655 -0.0001
160 0.5180 nan 0.1655 -0.0001
180 0.5170 nan 0.1655 -0.0001
200 0.5168 nan 0.1655 -0.0001
220 0.5160 nan 0.1655 -0.0001
240 0.5158 nan 0.1655 -0.0001
260 0.5155 nan 0.1655 -0.0001
280 0.5147 nan 0.1655 0.0001
300 0.5139 nan 0.1655 -0.0001
320 0.5134 nan 0.1655 -0.0001
340 0.5125 nan 0.1655 -0.0000
360 0.5125 nan 0.1655 -0.0001
380 0.5120 nan 0.1655 -0.0001
400 0.5116 nan 0.1655 -0.0001
420 0.5114 nan 0.1655 -0.0001
440 0.5109 nan 0.1655 -0.0001
460 0.5103 nan 0.1655 -0.0001
480 0.5102 nan 0.1655 -0.0001
500 0.5096 nan 0.1655 -0.0001
520 0.5096 nan 0.1655 -0.0001
540 0.5088 nan 0.1655 0.0000
560 0.5081 nan 0.1655 -0.0000
580 0.5082 nan 0.1655 -0.0000
600 0.5082 nan 0.1655 -0.0009
620 0.5076 nan 0.1655 -0.0000
640 0.5073 nan 0.1655 -0.0001
660 0.5070 nan 0.1655 -0.0003
680 0.5063 nan 0.1655 -0.0000
700 0.5058 nan 0.1655 -0.0000
720 0.5051 nan 0.1655 -0.0000
740 0.5047 nan 0.1655 -0.0000
760 0.5041 nan 0.1655 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5280 nan 0.1700 0.0001
2 0.5273 nan 0.1700 0.0001
3 0.5265 nan 0.1700 0.0001
4 0.5260 nan 0.1700 0.0001
5 0.5258 nan 0.1700 -0.0001
6 0.5253 nan 0.1700 0.0002
7 0.5250 nan 0.1700 -0.0000
8 0.5248 nan 0.1700 -0.0000
9 0.5246 nan 0.1700 -0.0000
10 0.5243 nan 0.1700 -0.0000
20 0.5227 nan 0.1700 -0.0001
40 0.5214 nan 0.1700 -0.0000
60 0.5194 nan 0.1700 -0.0001
80 0.5171 nan 0.1700 -0.0002
100 0.5153 nan 0.1700 -0.0004
120 0.5132 nan 0.1700 -0.0000
140 0.5115 nan 0.1700 -0.0001
160 0.5097 nan 0.1700 -0.0000
180 0.5081 nan 0.1700 -0.0002
200 0.5068 nan 0.1700 -0.0001
220 0.5062 nan 0.1700 -0.0000
240 0.5055 nan 0.1700 -0.0001
260 0.5049 nan 0.1700 -0.0002
280 0.5038 nan 0.1700 -0.0001
300 0.5024 nan 0.1700 -0.0001
320 0.5008 nan 0.1700 -0.0001
340 0.4998 nan 0.1700 -0.0001
360 0.4990 nan 0.1700 -0.0006
380 0.4979 nan 0.1700 -0.0001
400 0.4968 nan 0.1700 -0.0001
420 0.4952 nan 0.1700 -0.0001
440 0.4948 nan 0.1700 -0.0005
460 0.4939 nan 0.1700 -0.0001
480 0.4925 nan 0.1700 -0.0002
500 0.4912 nan 0.1700 -0.0002
520 0.4900 nan 0.1700 -0.0001
540 0.4893 nan 0.1700 -0.0001
560 0.4887 nan 0.1700 -0.0003
580 0.4877 nan 0.1700 -0.0000
600 0.4871 nan 0.1700 -0.0001
620 0.4866 nan 0.1700 -0.0001
640 0.4858 nan 0.1700 -0.0000
660 0.4855 nan 0.1700 -0.0001
680 0.4845 nan 0.1700 -0.0000
700 0.4841 nan 0.1700 -0.0001
720 0.4830 nan 0.1700 0.0000
740 0.4828 nan 0.1700 -0.0006
760 0.4830 nan 0.1700 -0.0002
780 0.4823 nan 0.1700 -0.0008
800 0.4820 nan 0.1700 -0.0001
820 0.4811 nan 0.1700 -0.0001
840 0.4802 nan 0.1700 -0.0000
860 0.4791 nan 0.1700 -0.0001
880 0.4783 nan 0.1700 -0.0001
900 0.4775 nan 0.1700 -0.0001
920 0.4771 nan 0.1700 -0.0011
940 0.4767 nan 0.1700 -0.0001
960 0.4760 nan 0.1700 -0.0001
964 0.4758 nan 0.1700 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5279 nan 0.1736 0.0002
2 0.5274 nan 0.1736 0.0001
3 0.5270 nan 0.1736 0.0000
4 0.5268 nan 0.1736 -0.0000
5 0.5266 nan 0.1736 -0.0000
6 0.5263 nan 0.1736 0.0000
7 0.5261 nan 0.1736 0.0000
8 0.5258 nan 0.1736 0.0000
9 0.5257 nan 0.1736 0.0000
10 0.5254 nan 0.1736 -0.0000
20 0.5242 nan 0.1736 -0.0001
40 0.5229 nan 0.1736 -0.0000
60 0.5219 nan 0.1736 -0.0001
80 0.5206 nan 0.1736 -0.0001
100 0.5199 nan 0.1736 -0.0001
120 0.5186 nan 0.1736 -0.0001
140 0.5177 nan 0.1736 -0.0001
160 0.5167 nan 0.1736 -0.0001
180 0.5159 nan 0.1736 -0.0001
200 0.5153 nan 0.1736 -0.0001
220 0.5145 nan 0.1736 -0.0001
235 0.5140 nan 0.1736 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1769 0.0002
2 0.5277 nan 0.1769 0.0001
3 0.5272 nan 0.1769 0.0002
4 0.5270 nan 0.1769 -0.0000
5 0.5267 nan 0.1769 0.0000
6 0.5264 nan 0.1769 -0.0000
7 0.5262 nan 0.1769 0.0000
8 0.5259 nan 0.1769 -0.0001
9 0.5258 nan 0.1769 -0.0000
10 0.5257 nan 0.1769 -0.0001
20 0.5244 nan 0.1769 -0.0001
40 0.5226 nan 0.1769 -0.0001
60 0.5212 nan 0.1769 -0.0000
80 0.5199 nan 0.1769 -0.0000
100 0.5191 nan 0.1769 -0.0001
120 0.5179 nan 0.1769 -0.0001
140 0.5168 nan 0.1769 -0.0001
160 0.5160 nan 0.1769 -0.0001
180 0.5160 nan 0.1769 -0.0002
200 0.5152 nan 0.1769 -0.0001
220 0.5144 nan 0.1769 -0.0000
240 0.5135 nan 0.1769 -0.0000
260 0.5137 nan 0.1769 -0.0002
280 0.5141 nan 0.1769 -0.0010
300 0.5130 nan 0.1769 -0.0001
320 0.5118 nan 0.1769 -0.0001
340 0.5115 nan 0.1769 -0.0001
360 0.5109 nan 0.1769 -0.0000
380 0.5101 nan 0.1769 -0.0001
400 0.5097 nan 0.1769 -0.0000
420 0.5086 nan 0.1769 -0.0001
440 0.5086 nan 0.1769 -0.0001
460 0.5093 nan 0.1769 -0.0001
480 0.5089 nan 0.1769 -0.0001
500 0.5086 nan 0.1769 0.0000
520 0.5079 nan 0.1769 -0.0001
540 0.5075 nan 0.1769 -0.0002
560 0.5070 nan 0.1769 -0.0001
580 0.5063 nan 0.1769 -0.0001
600 0.5058 nan 0.1769 -0.0004
620 0.5053 nan 0.1769 -0.0001
640 0.5062 nan 0.1769 -0.0008
660 0.5053 nan 0.1769 -0.0000
680 0.5056 nan 0.1769 -0.0000
700 0.5053 nan 0.1769 -0.0000
720 0.5049 nan 0.1769 -0.0001
740 0.5048 nan 0.1769 -0.0000
760 0.5041 nan 0.1769 -0.0001
780 0.5036 nan 0.1769 -0.0000
800 0.5034 nan 0.1769 -0.0001
820 0.5027 nan 0.1769 -0.0001
840 0.5025 nan 0.1769 -0.0000
860 0.5018 nan 0.1769 -0.0001
880 0.5015 nan 0.1769 -0.0005
900 0.5009 nan 0.1769 -0.0001
920 0.5002 nan 0.1769 -0.0001
940 0.4997 nan 0.1769 -0.0001
945 0.4996 nan 0.1769 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5284 nan 0.1812 0.0001
2 0.5277 nan 0.1812 0.0003
3 0.5274 nan 0.1812 0.0001
4 0.5276 nan 0.1812 -0.0007
5 0.5274 nan 0.1812 0.0000
6 0.5271 nan 0.1812 -0.0000
7 0.5270 nan 0.1812 -0.0001
8 0.5268 nan 0.1812 0.0001
9 0.5267 nan 0.1812 0.0000
10 0.5266 nan 0.1812 0.0000
20 0.5254 nan 0.1812 -0.0000
40 0.5246 nan 0.1812 -0.0000
60 0.5232 nan 0.1812 -0.0000
80 0.5224 nan 0.1812 -0.0001
100 0.5220 nan 0.1812 -0.0001
120 0.5215 nan 0.1812 -0.0000
140 0.5207 nan 0.1812 -0.0000
160 0.5201 nan 0.1812 -0.0000
180 0.5195 nan 0.1812 -0.0000
200 0.5190 nan 0.1812 -0.0000
220 0.5190 nan 0.1812 -0.0000
240 0.5186 nan 0.1812 -0.0000
260 0.5182 nan 0.1812 -0.0001
280 0.5184 nan 0.1812 -0.0000
300 0.5181 nan 0.1812 -0.0001
320 0.5177 nan 0.1812 -0.0001
340 0.5173 nan 0.1812 -0.0000
360 0.5169 nan 0.1812 -0.0001
380 0.5165 nan 0.1812 -0.0000
400 0.5161 nan 0.1812 -0.0000
420 0.5155 nan 0.1812 -0.0000
440 0.5151 nan 0.1812 -0.0001
460 0.5151 nan 0.1812 -0.0001
480 0.5149 nan 0.1812 -0.0001
500 0.5145 nan 0.1812 -0.0001
520 0.5140 nan 0.1812 -0.0001
540 0.5137 nan 0.1812 -0.0001
560 0.5139 nan 0.1812 -0.0001
580 0.5136 nan 0.1812 -0.0000
600 0.5134 nan 0.1812 -0.0001
620 0.5138 nan 0.1812 -0.0001
632 0.5134 nan 0.1812 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1823 0.0001
2 0.5275 nan 0.1823 0.0002
3 0.5271 nan 0.1823 0.0001
4 0.5268 nan 0.1823 0.0000
5 0.5264 nan 0.1823 0.0001
6 0.5261 nan 0.1823 -0.0000
7 0.5258 nan 0.1823 -0.0000
8 0.5256 nan 0.1823 0.0000
9 0.5253 nan 0.1823 0.0001
10 0.5251 nan 0.1823 -0.0000
20 0.5238 nan 0.1823 -0.0000
40 0.5228 nan 0.1823 -0.0007
60 0.5212 nan 0.1823 -0.0001
80 0.5201 nan 0.1823 -0.0000
100 0.5194 nan 0.1823 -0.0001
120 0.5182 nan 0.1823 -0.0001
140 0.5175 nan 0.1823 -0.0002
157 0.5168 nan 0.1823 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5282 nan 0.1829 0.0001
2 0.5278 nan 0.1829 0.0001
3 0.5272 nan 0.1829 0.0003
4 0.5266 nan 0.1829 0.0001
5 0.5263 nan 0.1829 0.0001
6 0.5260 nan 0.1829 0.0000
7 0.5265 nan 0.1829 -0.0011
8 0.5263 nan 0.1829 -0.0000
9 0.5262 nan 0.1829 0.0000
10 0.5260 nan 0.1829 0.0000
20 0.5245 nan 0.1829 -0.0000
40 0.5225 nan 0.1829 -0.0000
60 0.5214 nan 0.1829 -0.0000
80 0.5202 nan 0.1829 -0.0002
100 0.5191 nan 0.1829 -0.0000
120 0.5183 nan 0.1829 -0.0001
140 0.5175 nan 0.1829 -0.0001
160 0.5167 nan 0.1829 -0.0001
180 0.5160 nan 0.1829 -0.0002
192 0.5166 nan 0.1829 -0.0014
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5276 nan 0.1856 0.0002
2 0.5272 nan 0.1856 0.0000
3 0.5271 nan 0.1856 -0.0005
4 0.5265 nan 0.1856 0.0001
5 0.5263 nan 0.1856 0.0000
6 0.5260 nan 0.1856 0.0000
7 0.5256 nan 0.1856 -0.0000
8 0.5253 nan 0.1856 0.0001
9 0.5250 nan 0.1856 -0.0001
10 0.5249 nan 0.1856 -0.0001
20 0.5235 nan 0.1856 0.0000
40 0.5211 nan 0.1856 -0.0001
60 0.5200 nan 0.1856 -0.0001
80 0.5187 nan 0.1856 -0.0005
100 0.5177 nan 0.1856 -0.0001
120 0.5170 nan 0.1856 -0.0001
140 0.5160 nan 0.1856 -0.0001
160 0.5150 nan 0.1856 -0.0001
180 0.5136 nan 0.1856 -0.0001
200 0.5122 nan 0.1856 -0.0000
220 0.5117 nan 0.1856 -0.0000
240 0.5112 nan 0.1856 -0.0002
260 0.5104 nan 0.1856 -0.0001
280 0.5096 nan 0.1856 -0.0001
300 0.5093 nan 0.1856 -0.0007
320 0.5086 nan 0.1856 -0.0000
340 0.5079 nan 0.1856 -0.0001
360 0.5066 nan 0.1856 -0.0000
380 0.5054 nan 0.1856 -0.0002
400 0.5044 nan 0.1856 -0.0001
420 0.5036 nan 0.1856 -0.0001
440 0.5030 nan 0.1856 -0.0002
460 0.5029 nan 0.1856 -0.0002
480 0.5025 nan 0.1856 -0.0001
500 0.5016 nan 0.1856 -0.0002
520 0.5007 nan 0.1856 -0.0001
540 0.5012 nan 0.1856 -0.0001
560 0.5011 nan 0.1856 -0.0001
580 0.4999 nan 0.1856 -0.0001
600 0.4989 nan 0.1856 -0.0001
620 0.4983 nan 0.1856 -0.0003
640 0.4977 nan 0.1856 -0.0004
660 0.4968 nan 0.1856 -0.0001
680 0.4957 nan 0.1856 -0.0001
700 0.4963 nan 0.1856 -0.0001
720 0.4959 nan 0.1856 -0.0001
740 0.4948 nan 0.1856 -0.0002
760 0.4942 nan 0.1856 -0.0003
780 0.4936 nan 0.1856 -0.0001
800 0.4928 nan 0.1856 -0.0002
820 0.4931 nan 0.1856 -0.0005
840 0.4923 nan 0.1856 -0.0001
860 0.4918 nan 0.1856 -0.0002
880 0.4912 nan 0.1856 -0.0001
900 0.4906 nan 0.1856 -0.0001
908 0.4905 nan 0.1856 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1858 0.0002
2 0.5272 nan 0.1858 0.0003
3 0.5268 nan 0.1858 -0.0001
4 0.5266 nan 0.1858 -0.0001
5 0.5261 nan 0.1858 0.0001
6 0.5257 nan 0.1858 0.0000
7 0.5260 nan 0.1858 -0.0006
8 0.5256 nan 0.1858 -0.0000
9 0.5254 nan 0.1858 -0.0001
10 0.5252 nan 0.1858 -0.0001
20 0.5234 nan 0.1858 -0.0001
40 0.5208 nan 0.1858 -0.0001
60 0.5200 nan 0.1858 -0.0001
80 0.5176 nan 0.1858 -0.0001
100 0.5172 nan 0.1858 -0.0000
120 0.5159 nan 0.1858 -0.0001
140 0.5145 nan 0.1858 -0.0001
160 0.5133 nan 0.1858 -0.0001
180 0.5121 nan 0.1858 -0.0002
200 0.5105 nan 0.1858 -0.0000
220 0.5097 nan 0.1858 -0.0001
240 0.5088 nan 0.1858 -0.0001
260 0.5079 nan 0.1858 -0.0002
280 0.5073 nan 0.1858 -0.0001
300 0.5067 nan 0.1858 -0.0001
320 0.5056 nan 0.1858 -0.0003
340 0.5054 nan 0.1858 -0.0001
351 0.5048 nan 0.1858 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1868 0.0001
2 0.5275 nan 0.1868 0.0003
3 0.5272 nan 0.1868 -0.0000
4 0.5269 nan 0.1868 0.0000
5 0.5265 nan 0.1868 0.0002
6 0.5262 nan 0.1868 0.0001
7 0.5259 nan 0.1868 -0.0000
8 0.5258 nan 0.1868 0.0000
9 0.5255 nan 0.1868 0.0000
10 0.5253 nan 0.1868 0.0000
20 0.5239 nan 0.1868 -0.0000
40 0.5220 nan 0.1868 -0.0000
60 0.5205 nan 0.1868 -0.0000
80 0.5194 nan 0.1868 -0.0001
100 0.5182 nan 0.1868 -0.0002
120 0.5173 nan 0.1868 -0.0002
140 0.5181 nan 0.1868 -0.0000
160 0.5162 nan 0.1868 -0.0001
180 0.5161 nan 0.1868 -0.0001
200 0.5154 nan 0.1868 -0.0001
220 0.5145 nan 0.1868 -0.0000
240 0.5136 nan 0.1868 -0.0001
260 0.5128 nan 0.1868 -0.0000
280 0.5122 nan 0.1868 -0.0001
300 0.5111 nan 0.1868 -0.0001
320 0.5104 nan 0.1868 -0.0001
340 0.5107 nan 0.1868 -0.0001
360 0.5099 nan 0.1868 -0.0001
380 0.5092 nan 0.1868 -0.0001
400 0.5084 nan 0.1868 -0.0001
420 0.5079 nan 0.1868 -0.0001
440 0.5070 nan 0.1868 -0.0001
460 0.5073 nan 0.1868 -0.0001
480 0.5068 nan 0.1868 -0.0001
500 0.5064 nan 0.1868 -0.0001
520 0.5063 nan 0.1868 -0.0001
540 0.5061 nan 0.1868 -0.0001
560 0.5053 nan 0.1868 -0.0001
580 0.5049 nan 0.1868 -0.0001
600 0.5050 nan 0.1868 -0.0001
620 0.5046 nan 0.1868 -0.0001
640 0.5039 nan 0.1868 -0.0002
660 0.5036 nan 0.1868 -0.0001
680 0.5025 nan 0.1868 -0.0001
700 0.5025 nan 0.1868 -0.0001
720 0.5022 nan 0.1868 -0.0002
740 0.5022 nan 0.1868 -0.0002
760 0.5014 nan 0.1868 -0.0001
780 0.5007 nan 0.1868 -0.0001
800 0.5001 nan 0.1868 -0.0000
820 0.5000 nan 0.1868 -0.0001
840 0.4995 nan 0.1868 -0.0001
860 0.4992 nan 0.1868 -0.0001
880 0.4988 nan 0.1868 -0.0001
900 0.4984 nan 0.1868 -0.0001
920 0.4979 nan 0.1868 -0.0000
940 0.4981 nan 0.1868 -0.0001
960 0.4975 nan 0.1868 -0.0001
964 0.4974 nan 0.1868 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5278 nan 0.1868 0.0003
2 0.5273 nan 0.1868 -0.0004
3 0.5265 nan 0.1868 0.0003
4 0.5261 nan 0.1868 0.0001
5 0.5257 nan 0.1868 -0.0000
6 0.5254 nan 0.1868 -0.0000
7 0.5250 nan 0.1868 0.0000
8 0.5246 nan 0.1868 -0.0000
9 0.5244 nan 0.1868 -0.0001
10 0.5242 nan 0.1868 -0.0001
20 0.5222 nan 0.1868 -0.0001
40 0.5196 nan 0.1868 -0.0002
60 0.5172 nan 0.1868 -0.0002
80 0.5150 nan 0.1868 -0.0000
100 0.5136 nan 0.1868 -0.0001
120 0.5122 nan 0.1868 -0.0003
140 0.5109 nan 0.1868 -0.0001
160 0.5117 nan 0.1868 -0.0001
180 0.5102 nan 0.1868 -0.0001
200 0.5087 nan 0.1868 -0.0001
220 0.5084 nan 0.1868 -0.0002
240 0.5071 nan 0.1868 -0.0002
260 0.5057 nan 0.1868 -0.0001
280 0.5047 nan 0.1868 -0.0002
300 0.5055 nan 0.1868 -0.0001
320 0.5042 nan 0.1868 -0.0001
340 0.5026 nan 0.1868 -0.0001
360 0.5016 nan 0.1868 -0.0002
380 0.5013 nan 0.1868 -0.0001
400 0.5005 nan 0.1868 -0.0001
420 0.4994 nan 0.1868 -0.0001
440 0.4984 nan 0.1868 -0.0002
460 0.4977 nan 0.1868 -0.0002
480 0.4971 nan 0.1868 -0.0001
500 0.4964 nan 0.1868 -0.0001
520 0.4954 nan 0.1868 -0.0001
540 0.4949 nan 0.1868 -0.0001
560 0.4946 nan 0.1868 -0.0000
561 0.4944 nan 0.1868 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5278 nan 0.1877 0.0002
2 0.5274 nan 0.1877 0.0002
3 0.5269 nan 0.1877 0.0001
4 0.5266 nan 0.1877 0.0001
5 0.5264 nan 0.1877 -0.0000
6 0.5261 nan 0.1877 -0.0001
7 0.5258 nan 0.1877 0.0001
8 0.5256 nan 0.1877 0.0000
9 0.5254 nan 0.1877 -0.0000
10 0.5253 nan 0.1877 -0.0001
20 0.5241 nan 0.1877 -0.0001
40 0.5222 nan 0.1877 -0.0001
60 0.5208 nan 0.1877 -0.0001
80 0.5196 nan 0.1877 -0.0000
100 0.5186 nan 0.1877 -0.0001
120 0.5178 nan 0.1877 -0.0001
140 0.5171 nan 0.1877 -0.0000
160 0.5169 nan 0.1877 -0.0001
180 0.5159 nan 0.1877 -0.0001
200 0.5154 nan 0.1877 -0.0001
220 0.5149 nan 0.1877 -0.0001
240 0.5142 nan 0.1877 -0.0001
260 0.5132 nan 0.1877 -0.0002
280 0.5127 nan 0.1877 -0.0002
300 0.5121 nan 0.1877 -0.0000
320 0.5115 nan 0.1877 -0.0001
340 0.5112 nan 0.1877 -0.0001
360 0.5107 nan 0.1877 -0.0001
380 0.5108 nan 0.1877 -0.0001
400 0.5099 nan 0.1877 -0.0002
420 0.5096 nan 0.1877 -0.0001
425 0.5095 nan 0.1877 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5282 nan 0.1908 0.0002
2 0.5280 nan 0.1908 0.0000
3 0.5279 nan 0.1908 0.0000
4 0.5277 nan 0.1908 0.0000
5 0.5275 nan 0.1908 0.0001
6 0.5273 nan 0.1908 0.0000
7 0.5272 nan 0.1908 0.0000
8 0.5271 nan 0.1908 -0.0000
9 0.5270 nan 0.1908 0.0000
10 0.5269 nan 0.1908 0.0000
20 0.5260 nan 0.1908 0.0000
40 0.5252 nan 0.1908 -0.0000
60 0.5248 nan 0.1908 -0.0000
78 0.5252 nan 0.1908 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5280 nan 0.1913 0.0002
2 0.5273 nan 0.1913 0.0002
3 0.5268 nan 0.1913 0.0001
4 0.5266 nan 0.1913 -0.0003
5 0.5263 nan 0.1913 0.0001
6 0.5260 nan 0.1913 0.0000
7 0.5258 nan 0.1913 -0.0001
8 0.5256 nan 0.1913 0.0000
9 0.5254 nan 0.1913 -0.0001
10 0.5251 nan 0.1913 0.0000
20 0.5234 nan 0.1913 -0.0001
40 0.5217 nan 0.1913 -0.0000
60 0.5204 nan 0.1913 -0.0000
80 0.5185 nan 0.1913 -0.0000
100 0.5169 nan 0.1913 -0.0001
120 0.5167 nan 0.1913 -0.0002
140 0.5156 nan 0.1913 -0.0001
160 0.5143 nan 0.1913 -0.0001
180 0.5144 nan 0.1913 -0.0013
200 0.5134 nan 0.1913 -0.0004
212 0.5135 nan 0.1913 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1934 0.0001
2 0.5277 nan 0.1934 0.0001
3 0.5275 nan 0.1934 0.0000
4 0.5272 nan 0.1934 0.0000
5 0.5269 nan 0.1934 0.0001
6 0.5266 nan 0.1934 0.0001
7 0.5264 nan 0.1934 -0.0001
8 0.5261 nan 0.1934 -0.0000
9 0.5259 nan 0.1934 0.0001
10 0.5258 nan 0.1934 -0.0001
20 0.5248 nan 0.1934 -0.0000
40 0.5233 nan 0.1934 -0.0001
60 0.5232 nan 0.1934 -0.0001
80 0.5224 nan 0.1934 -0.0001
100 0.5217 nan 0.1934 -0.0001
120 0.5212 nan 0.1934 -0.0000
140 0.5207 nan 0.1934 -0.0001
160 0.5200 nan 0.1934 -0.0000
180 0.5196 nan 0.1934 -0.0000
200 0.5193 nan 0.1934 -0.0001
220 0.5190 nan 0.1934 -0.0001
240 0.5187 nan 0.1934 -0.0001
260 0.5183 nan 0.1934 -0.0000
280 0.5180 nan 0.1934 -0.0000
300 0.5176 nan 0.1934 -0.0001
320 0.5175 nan 0.1934 -0.0000
340 0.5170 nan 0.1934 -0.0000
360 0.5168 nan 0.1934 -0.0001
380 0.5173 nan 0.1934 -0.0000
400 0.5170 nan 0.1934 -0.0001
420 0.5166 nan 0.1934 -0.0000
440 0.5163 nan 0.1934 -0.0001
460 0.5161 nan 0.1934 -0.0001
480 0.5158 nan 0.1934 -0.0001
500 0.5155 nan 0.1934 -0.0001
520 0.5153 nan 0.1934 -0.0001
540 0.5151 nan 0.1934 -0.0001
555 0.5148 nan 0.1934 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5277 nan 0.1936 0.0003
2 0.5280 nan 0.1936 -0.0009
3 0.5278 nan 0.1936 0.0000
4 0.5274 nan 0.1936 0.0000
5 0.5271 nan 0.1936 -0.0000
6 0.5267 nan 0.1936 -0.0000
7 0.5262 nan 0.1936 0.0001
8 0.5260 nan 0.1936 -0.0001
9 0.5257 nan 0.1936 0.0000
10 0.5255 nan 0.1936 -0.0000
20 0.5236 nan 0.1936 -0.0000
40 0.5212 nan 0.1936 -0.0001
60 0.5193 nan 0.1936 -0.0000
80 0.5188 nan 0.1936 -0.0001
100 0.5184 nan 0.1936 -0.0002
120 0.5168 nan 0.1936 -0.0000
140 0.5151 nan 0.1936 -0.0001
160 0.5135 nan 0.1936 -0.0001
180 0.5117 nan 0.1936 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5278 nan 0.1961 0.0003
2 0.5274 nan 0.1961 0.0001
3 0.5268 nan 0.1961 0.0001
4 0.5265 nan 0.1961 -0.0001
5 0.5261 nan 0.1961 -0.0000
6 0.5259 nan 0.1961 -0.0001
7 0.5256 nan 0.1961 -0.0000
8 0.5254 nan 0.1961 -0.0000
9 0.5251 nan 0.1961 0.0000
10 0.5249 nan 0.1961 -0.0001
20 0.5237 nan 0.1961 -0.0010
40 0.5214 nan 0.1961 -0.0001
60 0.5198 nan 0.1961 -0.0002
80 0.5194 nan 0.1961 -0.0002
100 0.5173 nan 0.1961 -0.0000
120 0.5165 nan 0.1961 -0.0001
140 0.5150 nan 0.1961 -0.0001
160 0.5135 nan 0.1961 -0.0001
180 0.5116 nan 0.1961 -0.0001
200 0.5104 nan 0.1961 -0.0000
220 0.5093 nan 0.1961 -0.0002
240 0.5084 nan 0.1961 -0.0001
260 0.5072 nan 0.1961 -0.0001
280 0.5062 nan 0.1961 -0.0000
300 0.5059 nan 0.1961 0.0000
320 0.5076 nan 0.1961 -0.0001
340 0.5058 nan 0.1961 -0.0001
360 0.5049 nan 0.1961 -0.0001
380 0.5039 nan 0.1961 -0.0001
400 0.5038 nan 0.1961 -0.0002
420 0.5028 nan 0.1961 -0.0001
440 0.5022 nan 0.1961 -0.0003
460 0.5018 nan 0.1961 -0.0001
480 0.5008 nan 0.1961 -0.0002
500 0.4998 nan 0.1961 -0.0001
520 0.4992 nan 0.1961 -0.0002
540 0.4988 nan 0.1961 -0.0001
560 0.4982 nan 0.1961 -0.0002
580 0.4975 nan 0.1961 -0.0001
600 0.4969 nan 0.1961 -0.0002
620 0.4962 nan 0.1961 -0.0001
640 0.4961 nan 0.1961 -0.0001
660 0.4955 nan 0.1961 -0.0001
680 0.4957 nan 0.1961 -0.0002
700 0.4950 nan 0.1961 -0.0001
720 0.4943 nan 0.1961 -0.0001
740 0.4940 nan 0.1961 -0.0001
760 0.4935 nan 0.1961 -0.0001
780 0.4932 nan 0.1961 -0.0001
800 0.4926 nan 0.1961 -0.0002
820 0.4934 nan 0.1961 -0.0001
840 0.4926 nan 0.1961 -0.0001
845 0.4923 nan 0.1961 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5280 nan 0.1962 0.0002
2 0.5273 nan 0.1962 0.0003
3 0.5268 nan 0.1962 0.0001
4 0.5266 nan 0.1962 -0.0000
5 0.5262 nan 0.1962 -0.0000
6 0.5259 nan 0.1962 0.0000
7 0.5257 nan 0.1962 -0.0000
8 0.5255 nan 0.1962 -0.0000
9 0.5254 nan 0.1962 -0.0000
10 0.5252 nan 0.1962 -0.0000
20 0.5236 nan 0.1962 -0.0001
40 0.5221 nan 0.1962 -0.0001
60 0.5207 nan 0.1962 -0.0001
80 0.5196 nan 0.1962 -0.0001
100 0.5184 nan 0.1962 -0.0000
120 0.5176 nan 0.1962 -0.0001
140 0.5169 nan 0.1962 -0.0001
160 0.5162 nan 0.1962 -0.0000
180 0.5154 nan 0.1962 -0.0001
200 0.5145 nan 0.1962 -0.0001
220 0.5140 nan 0.1962 -0.0001
237 0.5137 nan 0.1962 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5281 nan 0.1983 0.0001
2 0.5276 nan 0.1983 0.0002
3 0.5270 nan 0.1983 0.0002
4 0.5266 nan 0.1983 -0.0001
5 0.5263 nan 0.1983 -0.0000
6 0.5261 nan 0.1983 -0.0000
7 0.5259 nan 0.1983 -0.0000
8 0.5256 nan 0.1983 0.0000
9 0.5254 nan 0.1983 0.0000
10 0.5251 nan 0.1983 0.0000
20 0.5238 nan 0.1983 -0.0001
40 0.5232 nan 0.1983 -0.0000
60 0.5219 nan 0.1983 -0.0002
80 0.5206 nan 0.1983 -0.0001
100 0.5196 nan 0.1983 -0.0000
120 0.5186 nan 0.1983 -0.0001
140 0.5178 nan 0.1983 -0.0001
160 0.5169 nan 0.1983 -0.0001
180 0.5162 nan 0.1983 -0.0001
200 0.5156 nan 0.1983 -0.0001
220 0.5148 nan 0.1983 -0.0000
240 0.5140 nan 0.1983 -0.0001
260 0.5136 nan 0.1983 -0.0001
280 0.5129 nan 0.1983 -0.0001
300 0.5123 nan 0.1983 -0.0000
320 0.5118 nan 0.1983 -0.0001
340 0.5110 nan 0.1983 -0.0001
360 0.5105 nan 0.1983 -0.0001
380 0.5101 nan 0.1983 -0.0001
400 0.5106 nan 0.1983 -0.0002
420 0.5099 nan 0.1983 -0.0001
440 0.5098 nan 0.1983 -0.0002
460 0.5089 nan 0.1983 -0.0001
480 0.5084 nan 0.1983 -0.0000
500 0.5080 nan 0.1983 -0.0001
520 0.5076 nan 0.1983 -0.0001
540 0.5075 nan 0.1983 -0.0001
560 0.5070 nan 0.1983 -0.0001
580 0.5066 nan 0.1983 -0.0001
600 0.5060 nan 0.1983 -0.0001
620 0.5056 nan 0.1983 -0.0002
640 0.5051 nan 0.1983 -0.0001
660 0.5046 nan 0.1983 -0.0001
680 0.5042 nan 0.1983 -0.0001
700 0.5035 nan 0.1983 -0.0001
720 0.5031 nan 0.1983 -0.0001
740 0.5028 nan 0.1983 -0.0001
760 0.5026 nan 0.1983 -0.0001
780 0.5025 nan 0.1983 -0.0001
800 0.5020 nan 0.1983 -0.0001
820 0.5015 nan 0.1983 -0.0001
837 0.5014 nan 0.1983 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5312 nan 0.0105 0.0000
2 0.5311 nan 0.0105 0.0000
3 0.5311 nan 0.0105 0.0000
4 0.5311 nan 0.0105 0.0000
5 0.5310 nan 0.0105 0.0000
6 0.5310 nan 0.0105 0.0000
7 0.5309 nan 0.0105 0.0000
8 0.5309 nan 0.0105 0.0000
9 0.5309 nan 0.0105 0.0000
10 0.5308 nan 0.0105 0.0000
20 0.5304 nan 0.0105 0.0000
40 0.5297 nan 0.0105 0.0000
60 0.5292 nan 0.0105 0.0000
80 0.5287 nan 0.0105 0.0000
100 0.5283 nan 0.0105 -0.0000
120 0.5279 nan 0.0105 -0.0000
140 0.5276 nan 0.0105 -0.0000
160 0.5274 nan 0.0105 0.0000
180 0.5271 nan 0.0105 -0.0000
200 0.5268 nan 0.0105 -0.0000
220 0.5265 nan 0.0105 -0.0000
240 0.5263 nan 0.0105 -0.0000
260 0.5261 nan 0.0105 0.0000
280 0.5258 nan 0.0105 -0.0000
300 0.5256 nan 0.0105 0.0000
320 0.5254 nan 0.0105 0.0000
340 0.5252 nan 0.0105 -0.0000
360 0.5251 nan 0.0105 -0.0000
380 0.5249 nan 0.0105 -0.0000
400 0.5247 nan 0.0105 0.0000
420 0.5245 nan 0.0105 -0.0000
440 0.5243 nan 0.0105 -0.0000
460 0.5242 nan 0.0105 -0.0000
480 0.5240 nan 0.0105 -0.0000
500 0.5238 nan 0.0105 -0.0000
520 0.5236 nan 0.0105 -0.0000
540 0.5234 nan 0.0105 -0.0000
560 0.5233 nan 0.0105 -0.0000
580 0.5231 nan 0.0105 -0.0000
600 0.5230 nan 0.0105 -0.0000
620 0.5228 nan 0.0105 -0.0000
623 0.5228 nan 0.0105 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5312 nan 0.0177 0.0000
2 0.5312 nan 0.0177 0.0000
3 0.5311 nan 0.0177 0.0000
4 0.5310 nan 0.0177 0.0000
5 0.5310 nan 0.0177 0.0000
6 0.5309 nan 0.0177 0.0000
7 0.5308 nan 0.0177 0.0000
8 0.5308 nan 0.0177 0.0000
9 0.5307 nan 0.0177 0.0000
10 0.5307 nan 0.0177 0.0000
20 0.5303 nan 0.0177 0.0000
40 0.5296 nan 0.0177 -0.0000
60 0.5292 nan 0.0177 0.0000
80 0.5289 nan 0.0177 -0.0000
100 0.5286 nan 0.0177 -0.0000
120 0.5283 nan 0.0177 -0.0000
140 0.5281 nan 0.0177 0.0000
160 0.5279 nan 0.0177 -0.0000
180 0.5277 nan 0.0177 -0.0000
200 0.5276 nan 0.0177 -0.0000
220 0.5274 nan 0.0177 -0.0000
240 0.5272 nan 0.0177 0.0000
260 0.5270 nan 0.0177 -0.0000
280 0.5269 nan 0.0177 -0.0000
300 0.5268 nan 0.0177 -0.0000
320 0.5267 nan 0.0177 -0.0000
340 0.5266 nan 0.0177 -0.0000
360 0.5265 nan 0.0177 -0.0000
380 0.5264 nan 0.0177 -0.0000
400 0.5262 nan 0.0177 -0.0000
420 0.5261 nan 0.0177 -0.0000
440 0.5260 nan 0.0177 -0.0000
460 0.5259 nan 0.0177 -0.0000
480 0.5257 nan 0.0177 -0.0000
500 0.5257 nan 0.0177 -0.0000
520 0.5256 nan 0.0177 -0.0000
540 0.5255 nan 0.0177 -0.0000
560 0.5254 nan 0.0177 -0.0000
580 0.5253 nan 0.0177 -0.0001
600 0.5252 nan 0.0177 -0.0000
620 0.5251 nan 0.0177 -0.0000
640 0.5250 nan 0.0177 -0.0000
660 0.5249 nan 0.0177 -0.0000
680 0.5248 nan 0.0177 -0.0000
700 0.5247 nan 0.0177 -0.0000
720 0.5246 nan 0.0177 -0.0000
740 0.5245 nan 0.0177 -0.0000
747 0.5245 nan 0.0177 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5312 nan 0.0178 0.0000
2 0.5310 nan 0.0178 0.0001
3 0.5310 nan 0.0178 0.0000
4 0.5309 nan 0.0178 0.0000
5 0.5308 nan 0.0178 0.0000
6 0.5307 nan 0.0178 0.0000
7 0.5306 nan 0.0178 0.0000
8 0.5304 nan 0.0178 0.0000
9 0.5304 nan 0.0178 0.0000
10 0.5303 nan 0.0178 0.0000
20 0.5297 nan 0.0178 0.0000
40 0.5288 nan 0.0178 0.0000
60 0.5281 nan 0.0178 0.0000
80 0.5275 nan 0.0178 -0.0000
100 0.5269 nan 0.0178 0.0000
120 0.5264 nan 0.0178 -0.0000
140 0.5260 nan 0.0178 -0.0000
160 0.5256 nan 0.0178 -0.0000
180 0.5253 nan 0.0178 -0.0000
200 0.5249 nan 0.0178 -0.0000
220 0.5245 nan 0.0178 -0.0000
240 0.5240 nan 0.0178 -0.0000
260 0.5236 nan 0.0178 -0.0000
280 0.5233 nan 0.0178 -0.0000
300 0.5229 nan 0.0178 -0.0000
320 0.5226 nan 0.0178 -0.0001
340 0.5222 nan 0.0178 -0.0000
360 0.5218 nan 0.0178 -0.0000
380 0.5216 nan 0.0178 -0.0000
400 0.5213 nan 0.0178 -0.0000
420 0.5210 nan 0.0178 -0.0000
440 0.5208 nan 0.0178 -0.0000
460 0.5205 nan 0.0178 -0.0000
480 0.5202 nan 0.0178 -0.0000
500 0.5199 nan 0.0178 -0.0000
520 0.5196 nan 0.0178 -0.0000
540 0.5194 nan 0.0178 -0.0000
560 0.5192 nan 0.0178 -0.0000
580 0.5189 nan 0.0178 -0.0000
600 0.5187 nan 0.0178 -0.0000
620 0.5184 nan 0.0178 -0.0000
640 0.5181 nan 0.0178 -0.0000
660 0.5179 nan 0.0178 -0.0000
680 0.5176 nan 0.0178 -0.0000
700 0.5174 nan 0.0178 -0.0002
720 0.5172 nan 0.0178 -0.0000
740 0.5170 nan 0.0178 -0.0000
760 0.5168 nan 0.0178 -0.0000
780 0.5166 nan 0.0178 -0.0000
800 0.5163 nan 0.0178 -0.0000
820 0.5161 nan 0.0178 -0.0000
826 0.5161 nan 0.0178 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5312 nan 0.0205 0.0000
2 0.5311 nan 0.0205 0.0000
3 0.5310 nan 0.0205 0.0000
4 0.5309 nan 0.0205 0.0000
5 0.5308 nan 0.0205 0.0000
6 0.5308 nan 0.0205 0.0000
7 0.5307 nan 0.0205 0.0000
8 0.5307 nan 0.0205 0.0000
9 0.5306 nan 0.0205 0.0000
10 0.5305 nan 0.0205 0.0000
20 0.5299 nan 0.0205 0.0000
40 0.5292 nan 0.0205 0.0000
60 0.5285 nan 0.0205 -0.0000
80 0.5280 nan 0.0205 -0.0000
100 0.5276 nan 0.0205 -0.0000
120 0.5271 nan 0.0205 -0.0000
140 0.5268 nan 0.0205 -0.0000
160 0.5265 nan 0.0205 -0.0000
180 0.5263 nan 0.0205 -0.0000
200 0.5261 nan 0.0205 -0.0000
220 0.5259 nan 0.0205 -0.0000
240 0.5256 nan 0.0205 -0.0000
260 0.5252 nan 0.0205 -0.0000
280 0.5250 nan 0.0205 -0.0000
300 0.5248 nan 0.0205 -0.0000
320 0.5246 nan 0.0205 -0.0000
340 0.5244 nan 0.0205 -0.0000
360 0.5242 nan 0.0205 -0.0000
380 0.5240 nan 0.0205 -0.0000
400 0.5239 nan 0.0205 -0.0000
420 0.5237 nan 0.0205 -0.0000
440 0.5235 nan 0.0205 -0.0000
460 0.5234 nan 0.0205 -0.0000
480 0.5232 nan 0.0205 -0.0000
500 0.5230 nan 0.0205 -0.0000
520 0.5228 nan 0.0205 -0.0000
540 0.5227 nan 0.0205 -0.0000
560 0.5225 nan 0.0205 -0.0000
580 0.5224 nan 0.0205 -0.0000
600 0.5222 nan 0.0205 0.0000
620 0.5220 nan 0.0205 -0.0000
640 0.5219 nan 0.0205 -0.0001
660 0.5218 nan 0.0205 -0.0000
680 0.5216 nan 0.0205 -0.0000
700 0.5214 nan 0.0205 -0.0000
720 0.5213 nan 0.0205 -0.0000
740 0.5212 nan 0.0205 -0.0000
760 0.5210 nan 0.0205 -0.0000
780 0.5208 nan 0.0205 -0.0000
800 0.5206 nan 0.0205 -0.0000
805 0.5206 nan 0.0205 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5312 nan 0.0215 0.0000
2 0.5311 nan 0.0215 0.0000
3 0.5311 nan 0.0215 0.0000
4 0.5310 nan 0.0215 0.0000
5 0.5310 nan 0.0215 0.0000
6 0.5310 nan 0.0215 0.0000
7 0.5309 nan 0.0215 0.0000
8 0.5309 nan 0.0215 0.0000
9 0.5308 nan 0.0215 0.0000
10 0.5308 nan 0.0215 0.0000
20 0.5305 nan 0.0215 0.0000
40 0.5300 nan 0.0215 0.0000
60 0.5296 nan 0.0215 0.0000
80 0.5293 nan 0.0215 0.0000
100 0.5291 nan 0.0215 -0.0000
120 0.5289 nan 0.0215 0.0000
140 0.5288 nan 0.0215 -0.0000
160 0.5286 nan 0.0215 -0.0000
180 0.5285 nan 0.0215 -0.0000
200 0.5284 nan 0.0215 -0.0000
220 0.5283 nan 0.0215 -0.0000
240 0.5282 nan 0.0215 -0.0000
256 0.5282 nan 0.0215 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5312 nan 0.0240 0.0000
2 0.5311 nan 0.0240 0.0000
3 0.5310 nan 0.0240 0.0000
4 0.5310 nan 0.0240 0.0000
5 0.5309 nan 0.0240 0.0000
6 0.5308 nan 0.0240 0.0000
7 0.5307 nan 0.0240 0.0000
8 0.5307 nan 0.0240 0.0000
9 0.5306 nan 0.0240 0.0000
10 0.5305 nan 0.0240 0.0000
20 0.5300 nan 0.0240 0.0000
40 0.5293 nan 0.0240 0.0000
60 0.5288 nan 0.0240 0.0000
80 0.5284 nan 0.0240 -0.0000
100 0.5280 nan 0.0240 0.0000
120 0.5278 nan 0.0240 -0.0000
140 0.5276 nan 0.0240 -0.0000
160 0.5274 nan 0.0240 -0.0000
180 0.5272 nan 0.0240 -0.0000
200 0.5270 nan 0.0240 -0.0000
220 0.5268 nan 0.0240 -0.0000
240 0.5266 nan 0.0240 -0.0000
260 0.5264 nan 0.0240 -0.0000
280 0.5263 nan 0.0240 -0.0000
300 0.5261 nan 0.0240 -0.0000
320 0.5260 nan 0.0240 -0.0000
340 0.5258 nan 0.0240 -0.0000
360 0.5255 nan 0.0240 -0.0000
380 0.5253 nan 0.0240 -0.0000
400 0.5252 nan 0.0240 -0.0000
420 0.5251 nan 0.0240 -0.0000
440 0.5250 nan 0.0240 -0.0000
460 0.5248 nan 0.0240 -0.0000
480 0.5247 nan 0.0240 -0.0000
500 0.5246 nan 0.0240 -0.0000
520 0.5245 nan 0.0240 -0.0000
540 0.5244 nan 0.0240 -0.0000
560 0.5240 nan 0.0240 -0.0000
580 0.5239 nan 0.0240 -0.0000
600 0.5238 nan 0.0240 -0.0000
620 0.5237 nan 0.0240 -0.0000
640 0.5236 nan 0.0240 -0.0000
660 0.5234 nan 0.0240 -0.0000
680 0.5233 nan 0.0240 -0.0000
700 0.5232 nan 0.0240 -0.0000
720 0.5231 nan 0.0240 -0.0000
740 0.5231 nan 0.0240 -0.0000
760 0.5230 nan 0.0240 -0.0000
780 0.5229 nan 0.0240 -0.0000
790 0.5229 nan 0.0240 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0244 0.0000
2 0.5311 nan 0.0244 0.0000
3 0.5310 nan 0.0244 0.0000
4 0.5309 nan 0.0244 0.0000
5 0.5308 nan 0.0244 0.0000
6 0.5307 nan 0.0244 0.0000
7 0.5306 nan 0.0244 0.0000
8 0.5306 nan 0.0244 0.0000
9 0.5305 nan 0.0244 0.0000
10 0.5304 nan 0.0244 0.0000
20 0.5298 nan 0.0244 0.0000
40 0.5290 nan 0.0244 0.0000
60 0.5284 nan 0.0244 -0.0000
80 0.5278 nan 0.0244 -0.0000
100 0.5274 nan 0.0244 0.0000
120 0.5270 nan 0.0244 -0.0000
140 0.5267 nan 0.0244 -0.0000
160 0.5264 nan 0.0244 -0.0000
180 0.5260 nan 0.0244 0.0000
200 0.5257 nan 0.0244 -0.0000
220 0.5254 nan 0.0244 -0.0000
240 0.5251 nan 0.0244 0.0000
260 0.5248 nan 0.0244 -0.0000
280 0.5245 nan 0.0244 -0.0000
300 0.5242 nan 0.0244 -0.0000
320 0.5239 nan 0.0244 -0.0000
340 0.5237 nan 0.0244 -0.0000
360 0.5235 nan 0.0244 -0.0000
380 0.5233 nan 0.0244 -0.0000
400 0.5230 nan 0.0244 -0.0000
420 0.5228 nan 0.0244 -0.0000
440 0.5226 nan 0.0244 -0.0000
460 0.5223 nan 0.0244 -0.0000
480 0.5221 nan 0.0244 -0.0000
500 0.5219 nan 0.0244 -0.0000
520 0.5217 nan 0.0244 -0.0000
540 0.5215 nan 0.0244 0.0000
560 0.5212 nan 0.0244 -0.0000
580 0.5210 nan 0.0244 -0.0000
600 0.5208 nan 0.0244 -0.0000
620 0.5206 nan 0.0244 -0.0000
640 0.5204 nan 0.0244 -0.0000
660 0.5202 nan 0.0244 -0.0000
680 0.5200 nan 0.0244 -0.0000
700 0.5199 nan 0.0244 -0.0000
720 0.5197 nan 0.0244 -0.0000
740 0.5195 nan 0.0244 -0.0000
745 0.5195 nan 0.0244 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0264 0.0000
2 0.5311 nan 0.0264 0.0000
3 0.5310 nan 0.0264 0.0000
4 0.5309 nan 0.0264 0.0000
5 0.5308 nan 0.0264 0.0000
6 0.5307 nan 0.0264 0.0000
7 0.5307 nan 0.0264 0.0000
8 0.5306 nan 0.0264 0.0000
9 0.5306 nan 0.0264 0.0000
10 0.5305 nan 0.0264 0.0000
20 0.5300 nan 0.0264 0.0000
40 0.5293 nan 0.0264 -0.0000
60 0.5288 nan 0.0264 0.0000
80 0.5283 nan 0.0264 -0.0000
100 0.5280 nan 0.0264 -0.0000
120 0.5277 nan 0.0264 -0.0000
140 0.5274 nan 0.0264 -0.0000
160 0.5272 nan 0.0264 -0.0000
180 0.5270 nan 0.0264 -0.0000
200 0.5268 nan 0.0264 -0.0000
220 0.5267 nan 0.0264 -0.0000
240 0.5265 nan 0.0264 -0.0000
260 0.5263 nan 0.0264 -0.0000
280 0.5262 nan 0.0264 -0.0000
300 0.5260 nan 0.0264 -0.0000
320 0.5259 nan 0.0264 -0.0000
323 0.5258 nan 0.0264 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5312 nan 0.0273 0.0000
2 0.5311 nan 0.0273 0.0000
3 0.5311 nan 0.0273 0.0000
4 0.5310 nan 0.0273 0.0000
5 0.5309 nan 0.0273 0.0000
6 0.5308 nan 0.0273 0.0000
7 0.5307 nan 0.0273 0.0000
8 0.5306 nan 0.0273 0.0000
9 0.5306 nan 0.0273 0.0000
10 0.5305 nan 0.0273 0.0000
20 0.5299 nan 0.0273 0.0000
40 0.5293 nan 0.0273 0.0000
60 0.5287 nan 0.0273 -0.0000
80 0.5283 nan 0.0273 -0.0000
100 0.5280 nan 0.0273 -0.0000
120 0.5274 nan 0.0273 -0.0000
126 0.5274 nan 0.0273 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5312 nan 0.0277 0.0000
2 0.5311 nan 0.0277 0.0000
3 0.5311 nan 0.0277 0.0000
4 0.5310 nan 0.0277 0.0000
5 0.5310 nan 0.0277 0.0000
6 0.5309 nan 0.0277 0.0000
7 0.5309 nan 0.0277 0.0000
8 0.5308 nan 0.0277 0.0000
9 0.5308 nan 0.0277 0.0000
10 0.5307 nan 0.0277 0.0000
20 0.5303 nan 0.0277 0.0000
40 0.5298 nan 0.0277 0.0000
60 0.5294 nan 0.0277 -0.0000
80 0.5291 nan 0.0277 -0.0000
100 0.5288 nan 0.0277 -0.0000
120 0.5286 nan 0.0277 -0.0000
140 0.5285 nan 0.0277 -0.0000
160 0.5284 nan 0.0277 -0.0000
180 0.5282 nan 0.0277 -0.0000
200 0.5281 nan 0.0277 -0.0000
220 0.5280 nan 0.0277 -0.0000
240 0.5279 nan 0.0277 -0.0000
260 0.5278 nan 0.0277 -0.0000
280 0.5278 nan 0.0277 -0.0000
300 0.5277 nan 0.0277 -0.0000
320 0.5277 nan 0.0277 -0.0000
340 0.5276 nan 0.0277 -0.0000
360 0.5276 nan 0.0277 -0.0000
380 0.5275 nan 0.0277 -0.0000
400 0.5275 nan 0.0277 -0.0000
420 0.5275 nan 0.0277 -0.0000
440 0.5274 nan 0.0277 -0.0000
460 0.5274 nan 0.0277 -0.0000
480 0.5274 nan 0.0277 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5312 nan 0.0286 0.0000
2 0.5311 nan 0.0286 0.0000
3 0.5311 nan 0.0286 0.0000
4 0.5310 nan 0.0286 0.0000
5 0.5310 nan 0.0286 0.0000
6 0.5309 nan 0.0286 0.0000
7 0.5309 nan 0.0286 0.0000
8 0.5308 nan 0.0286 0.0000
9 0.5307 nan 0.0286 0.0000
10 0.5307 nan 0.0286 0.0000
20 0.5302 nan 0.0286 0.0000
40 0.5297 nan 0.0286 0.0000
60 0.5293 nan 0.0286 -0.0000
80 0.5290 nan 0.0286 0.0000
100 0.5288 nan 0.0286 -0.0000
120 0.5286 nan 0.0286 -0.0000
140 0.5285 nan 0.0286 -0.0000
160 0.5284 nan 0.0286 -0.0000
180 0.5282 nan 0.0286 -0.0000
200 0.5281 nan 0.0286 -0.0000
220 0.5281 nan 0.0286 -0.0000
240 0.5280 nan 0.0286 -0.0000
260 0.5279 nan 0.0286 -0.0000
280 0.5278 nan 0.0286 -0.0000
300 0.5278 nan 0.0286 -0.0000
320 0.5277 nan 0.0286 -0.0000
340 0.5277 nan 0.0286 -0.0000
360 0.5276 nan 0.0286 -0.0000
380 0.5276 nan 0.0286 -0.0000
400 0.5276 nan 0.0286 -0.0000
420 0.5275 nan 0.0286 -0.0000
440 0.5275 nan 0.0286 -0.0000
460 0.5275 nan 0.0286 -0.0000
480 0.5275 nan 0.0286 -0.0000
500 0.5274 nan 0.0286 -0.0000
520 0.5274 nan 0.0286 -0.0000
540 0.5274 nan 0.0286 -0.0000
560 0.5273 nan 0.0286 -0.0000
580 0.5273 nan 0.0286 -0.0000
600 0.5273 nan 0.0286 -0.0000
620 0.5273 nan 0.0286 -0.0000
640 0.5272 nan 0.0286 -0.0000
660 0.5272 nan 0.0286 -0.0000
680 0.5272 nan 0.0286 -0.0000
700 0.5272 nan 0.0286 -0.0000
720 0.5271 nan 0.0286 -0.0000
740 0.5271 nan 0.0286 -0.0000
760 0.5271 nan 0.0286 -0.0000
780 0.5271 nan 0.0286 -0.0000
800 0.5271 nan 0.0286 -0.0000
820 0.5270 nan 0.0286 -0.0000
840 0.5270 nan 0.0286 -0.0000
860 0.5270 nan 0.0286 -0.0000
880 0.5270 nan 0.0286 -0.0000
900 0.5269 nan 0.0286 -0.0000
920 0.5269 nan 0.0286 -0.0000
922 0.5269 nan 0.0286 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0298 0.0000
2 0.5310 nan 0.0298 0.0000
3 0.5309 nan 0.0298 0.0000
4 0.5308 nan 0.0298 0.0000
5 0.5307 nan 0.0298 0.0000
6 0.5307 nan 0.0298 0.0000
7 0.5306 nan 0.0298 0.0000
8 0.5305 nan 0.0298 0.0000
9 0.5305 nan 0.0298 0.0000
10 0.5304 nan 0.0298 0.0000
20 0.5298 nan 0.0298 0.0000
40 0.5290 nan 0.0298 -0.0000
60 0.5286 nan 0.0298 -0.0000
80 0.5282 nan 0.0298 -0.0000
100 0.5278 nan 0.0298 0.0000
120 0.5275 nan 0.0298 -0.0000
140 0.5273 nan 0.0298 -0.0000
160 0.5270 nan 0.0298 -0.0000
180 0.5268 nan 0.0298 -0.0000
200 0.5266 nan 0.0298 -0.0000
220 0.5264 nan 0.0298 -0.0000
240 0.5262 nan 0.0298 -0.0000
260 0.5261 nan 0.0298 -0.0000
280 0.5259 nan 0.0298 -0.0000
300 0.5257 nan 0.0298 -0.0000
320 0.5255 nan 0.0298 -0.0000
340 0.5254 nan 0.0298 -0.0000
360 0.5252 nan 0.0298 -0.0000
380 0.5249 nan 0.0298 -0.0000
400 0.5248 nan 0.0298 -0.0000
420 0.5247 nan 0.0298 -0.0000
440 0.5245 nan 0.0298 -0.0000
460 0.5243 nan 0.0298 -0.0000
480 0.5242 nan 0.0298 -0.0000
500 0.5241 nan 0.0298 -0.0000
506 0.5240 nan 0.0298 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0305 0.0000
2 0.5310 nan 0.0305 0.0000
3 0.5309 nan 0.0305 0.0000
4 0.5309 nan 0.0305 0.0000
5 0.5308 nan 0.0305 0.0000
6 0.5307 nan 0.0305 0.0000
7 0.5306 nan 0.0305 0.0000
8 0.5306 nan 0.0305 0.0000
9 0.5305 nan 0.0305 0.0000
10 0.5304 nan 0.0305 0.0000
20 0.5298 nan 0.0305 0.0000
40 0.5289 nan 0.0305 -0.0000
60 0.5282 nan 0.0305 -0.0000
80 0.5278 nan 0.0305 -0.0000
100 0.5275 nan 0.0305 -0.0000
120 0.5272 nan 0.0305 -0.0000
140 0.5270 nan 0.0305 -0.0000
160 0.5268 nan 0.0305 -0.0000
180 0.5266 nan 0.0305 -0.0000
200 0.5264 nan 0.0305 -0.0000
220 0.5262 nan 0.0305 -0.0000
240 0.5260 nan 0.0305 -0.0000
260 0.5259 nan 0.0305 -0.0000
280 0.5257 nan 0.0305 -0.0000
300 0.5255 nan 0.0305 -0.0000
320 0.5253 nan 0.0305 -0.0000
340 0.5252 nan 0.0305 -0.0000
360 0.5251 nan 0.0305 -0.0000
380 0.5249 nan 0.0305 -0.0000
400 0.5248 nan 0.0305 -0.0000
420 0.5247 nan 0.0305 -0.0000
440 0.5245 nan 0.0305 -0.0000
460 0.5244 nan 0.0305 -0.0000
480 0.5243 nan 0.0305 -0.0000
500 0.5242 nan 0.0305 -0.0000
520 0.5241 nan 0.0305 -0.0000
540 0.5240 nan 0.0305 -0.0000
560 0.5239 nan 0.0305 -0.0000
580 0.5237 nan 0.0305 -0.0000
600 0.5236 nan 0.0305 -0.0000
620 0.5235 nan 0.0305 -0.0000
628 0.5235 nan 0.0305 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0306 0.0000
2 0.5310 nan 0.0306 0.0000
3 0.5310 nan 0.0306 0.0000
4 0.5309 nan 0.0306 0.0000
5 0.5308 nan 0.0306 0.0000
6 0.5307 nan 0.0306 0.0000
7 0.5306 nan 0.0306 0.0000
8 0.5306 nan 0.0306 0.0000
9 0.5305 nan 0.0306 0.0000
10 0.5304 nan 0.0306 0.0000
20 0.5298 nan 0.0306 0.0000
40 0.5290 nan 0.0306 0.0000
60 0.5286 nan 0.0306 0.0000
80 0.5281 nan 0.0306 -0.0000
100 0.5277 nan 0.0306 -0.0000
120 0.5275 nan 0.0306 -0.0000
140 0.5272 nan 0.0306 -0.0000
160 0.5270 nan 0.0306 -0.0000
180 0.5266 nan 0.0306 -0.0001
200 0.5264 nan 0.0306 -0.0000
220 0.5262 nan 0.0306 -0.0000
240 0.5259 nan 0.0306 -0.0000
260 0.5257 nan 0.0306 -0.0000
280 0.5254 nan 0.0306 -0.0000
300 0.5252 nan 0.0306 -0.0000
320 0.5251 nan 0.0306 -0.0001
340 0.5250 nan 0.0306 -0.0000
360 0.5249 nan 0.0306 -0.0000
380 0.5248 nan 0.0306 -0.0000
400 0.5246 nan 0.0306 -0.0000
420 0.5245 nan 0.0306 -0.0000
440 0.5244 nan 0.0306 -0.0000
460 0.5243 nan 0.0306 -0.0000
480 0.5242 nan 0.0306 -0.0000
500 0.5241 nan 0.0306 -0.0000
520 0.5239 nan 0.0306 -0.0000
540 0.5238 nan 0.0306 -0.0000
560 0.5237 nan 0.0306 -0.0000
580 0.5236 nan 0.0306 -0.0000
600 0.5236 nan 0.0306 -0.0002
613 0.5236 nan 0.0306 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0370 0.0001
2 0.5309 nan 0.0370 0.0000
3 0.5307 nan 0.0370 0.0001
4 0.5305 nan 0.0370 -0.0001
5 0.5304 nan 0.0370 0.0000
6 0.5302 nan 0.0370 0.0000
7 0.5301 nan 0.0370 0.0000
8 0.5300 nan 0.0370 0.0000
9 0.5299 nan 0.0370 0.0000
10 0.5297 nan 0.0370 0.0001
20 0.5286 nan 0.0370 0.0000
40 0.5272 nan 0.0370 0.0000
60 0.5262 nan 0.0370 -0.0000
80 0.5256 nan 0.0370 -0.0000
100 0.5248 nan 0.0370 -0.0000
120 0.5240 nan 0.0370 -0.0000
140 0.5234 nan 0.0370 -0.0000
160 0.5229 nan 0.0370 -0.0000
180 0.5222 nan 0.0370 -0.0000
200 0.5217 nan 0.0370 0.0000
220 0.5211 nan 0.0370 -0.0000
240 0.5206 nan 0.0370 -0.0000
260 0.5201 nan 0.0370 -0.0000
280 0.5195 nan 0.0370 -0.0000
300 0.5191 nan 0.0370 -0.0000
320 0.5186 nan 0.0370 -0.0000
340 0.5181 nan 0.0370 -0.0000
360 0.5176 nan 0.0370 -0.0000
380 0.5170 nan 0.0370 -0.0000
400 0.5166 nan 0.0370 -0.0000
420 0.5162 nan 0.0370 -0.0000
440 0.5159 nan 0.0370 -0.0000
460 0.5154 nan 0.0370 -0.0000
480 0.5151 nan 0.0370 -0.0000
500 0.5146 nan 0.0370 -0.0000
520 0.5143 nan 0.0370 -0.0000
540 0.5140 nan 0.0370 -0.0000
560 0.5136 nan 0.0370 -0.0000
580 0.5131 nan 0.0370 -0.0000
595 0.5127 nan 0.0370 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0402 0.0000
2 0.5310 nan 0.0402 0.0000
3 0.5310 nan 0.0402 0.0000
4 0.5309 nan 0.0402 0.0000
5 0.5308 nan 0.0402 0.0000
6 0.5308 nan 0.0402 0.0000
7 0.5307 nan 0.0402 0.0000
8 0.5306 nan 0.0402 0.0000
9 0.5306 nan 0.0402 0.0000
10 0.5305 nan 0.0402 0.0000
20 0.5300 nan 0.0402 0.0000
40 0.5294 nan 0.0402 0.0000
60 0.5289 nan 0.0402 0.0000
80 0.5287 nan 0.0402 -0.0000
100 0.5283 nan 0.0402 -0.0000
120 0.5282 nan 0.0402 -0.0000
140 0.5281 nan 0.0402 -0.0000
160 0.5280 nan 0.0402 -0.0000
180 0.5279 nan 0.0402 -0.0000
200 0.5278 nan 0.0402 -0.0000
220 0.5277 nan 0.0402 -0.0000
240 0.5277 nan 0.0402 -0.0000
260 0.5276 nan 0.0402 -0.0000
280 0.5276 nan 0.0402 -0.0000
300 0.5275 nan 0.0402 -0.0000
320 0.5274 nan 0.0402 -0.0000
340 0.5274 nan 0.0402 -0.0000
360 0.5274 nan 0.0402 -0.0000
380 0.5273 nan 0.0402 -0.0000
400 0.5273 nan 0.0402 -0.0000
420 0.5272 nan 0.0402 -0.0000
440 0.5272 nan 0.0402 -0.0000
460 0.5272 nan 0.0402 -0.0000
480 0.5271 nan 0.0402 -0.0000
500 0.5271 nan 0.0402 -0.0000
520 0.5271 nan 0.0402 -0.0000
540 0.5270 nan 0.0402 -0.0000
560 0.5270 nan 0.0402 -0.0000
580 0.5270 nan 0.0402 -0.0000
600 0.5270 nan 0.0402 -0.0000
620 0.5270 nan 0.0402 -0.0000
640 0.5269 nan 0.0402 -0.0000
660 0.5269 nan 0.0402 -0.0000
680 0.5268 nan 0.0402 -0.0000
700 0.5268 nan 0.0402 -0.0000
720 0.5268 nan 0.0402 -0.0000
740 0.5268 nan 0.0402 -0.0000
747 0.5268 nan 0.0402 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0405 0.0001
2 0.5310 nan 0.0405 0.0000
3 0.5309 nan 0.0405 0.0000
4 0.5308 nan 0.0405 0.0000
5 0.5307 nan 0.0405 0.0000
6 0.5306 nan 0.0405 0.0000
7 0.5305 nan 0.0405 0.0000
8 0.5303 nan 0.0405 0.0000
9 0.5302 nan 0.0405 0.0000
10 0.5302 nan 0.0405 0.0000
20 0.5295 nan 0.0405 0.0000
40 0.5286 nan 0.0405 -0.0000
60 0.5281 nan 0.0405 -0.0000
80 0.5277 nan 0.0405 -0.0000
100 0.5274 nan 0.0405 -0.0000
120 0.5271 nan 0.0405 -0.0000
140 0.5267 nan 0.0405 -0.0000
160 0.5265 nan 0.0405 -0.0000
180 0.5262 nan 0.0405 -0.0000
200 0.5260 nan 0.0405 -0.0000
220 0.5257 nan 0.0405 -0.0000
240 0.5255 nan 0.0405 -0.0000
260 0.5252 nan 0.0405 -0.0000
280 0.5250 nan 0.0405 -0.0000
300 0.5248 nan 0.0405 -0.0000
320 0.5247 nan 0.0405 -0.0000
340 0.5245 nan 0.0405 -0.0000
360 0.5244 nan 0.0405 -0.0000
380 0.5242 nan 0.0405 -0.0000
400 0.5241 nan 0.0405 -0.0000
420 0.5239 nan 0.0405 -0.0000
440 0.5238 nan 0.0405 -0.0000
460 0.5236 nan 0.0405 -0.0000
480 0.5233 nan 0.0405 -0.0000
500 0.5232 nan 0.0405 -0.0000
520 0.5230 nan 0.0405 -0.0000
540 0.5229 nan 0.0405 -0.0000
560 0.5227 nan 0.0405 -0.0000
580 0.5226 nan 0.0405 -0.0000
600 0.5225 nan 0.0405 -0.0000
620 0.5223 nan 0.0405 -0.0000
640 0.5221 nan 0.0405 -0.0000
650 0.5220 nan 0.0405 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.0413 0.0001
2 0.5309 nan 0.0413 0.0000
3 0.5307 nan 0.0413 0.0000
4 0.5306 nan 0.0413 0.0000
5 0.5303 nan 0.0413 0.0001
6 0.5302 nan 0.0413 0.0000
7 0.5301 nan 0.0413 0.0000
8 0.5300 nan 0.0413 0.0000
9 0.5298 nan 0.0413 0.0000
10 0.5297 nan 0.0413 0.0000
20 0.5288 nan 0.0413 0.0000
40 0.5274 nan 0.0413 -0.0000
60 0.5263 nan 0.0413 0.0000
80 0.5257 nan 0.0413 -0.0000
100 0.5248 nan 0.0413 -0.0000
120 0.5242 nan 0.0413 -0.0000
140 0.5236 nan 0.0413 -0.0000
160 0.5231 nan 0.0413 -0.0000
180 0.5226 nan 0.0413 -0.0000
200 0.5221 nan 0.0413 -0.0000
220 0.5218 nan 0.0413 -0.0000
240 0.5214 nan 0.0413 -0.0000
260 0.5210 nan 0.0413 -0.0000
280 0.5206 nan 0.0413 -0.0001
300 0.5202 nan 0.0413 -0.0000
320 0.5198 nan 0.0413 -0.0000
340 0.5194 nan 0.0413 -0.0000
360 0.5191 nan 0.0413 -0.0000
380 0.5186 nan 0.0413 -0.0000
400 0.5183 nan 0.0413 -0.0000
420 0.5179 nan 0.0413 -0.0003
425 0.5179 nan 0.0413 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0502 0.0001
2 0.5310 nan 0.0502 0.0000
3 0.5308 nan 0.0502 0.0000
4 0.5307 nan 0.0502 0.0000
5 0.5306 nan 0.0502 0.0000
6 0.5304 nan 0.0502 0.0000
7 0.5304 nan 0.0502 0.0000
8 0.5302 nan 0.0502 0.0001
9 0.5301 nan 0.0502 0.0000
10 0.5301 nan 0.0502 0.0000
20 0.5293 nan 0.0502 -0.0000
40 0.5284 nan 0.0502 -0.0000
60 0.5279 nan 0.0502 -0.0000
80 0.5275 nan 0.0502 -0.0000
100 0.5271 nan 0.0502 -0.0000
120 0.5266 nan 0.0502 -0.0000
140 0.5263 nan 0.0502 -0.0000
160 0.5259 nan 0.0502 -0.0000
180 0.5256 nan 0.0502 -0.0000
200 0.5253 nan 0.0502 -0.0000
220 0.5251 nan 0.0502 -0.0000
240 0.5250 nan 0.0502 -0.0003
260 0.5246 nan 0.0502 -0.0000
280 0.5243 nan 0.0502 -0.0000
300 0.5240 nan 0.0502 -0.0000
320 0.5238 nan 0.0502 -0.0000
340 0.5237 nan 0.0502 -0.0000
360 0.5235 nan 0.0502 -0.0000
380 0.5233 nan 0.0502 -0.0000
400 0.5233 nan 0.0502 -0.0000
420 0.5231 nan 0.0502 -0.0000
440 0.5229 nan 0.0502 -0.0000
460 0.5227 nan 0.0502 -0.0000
480 0.5226 nan 0.0502 -0.0000
500 0.5224 nan 0.0502 -0.0000
520 0.5222 nan 0.0502 -0.0000
540 0.5220 nan 0.0502 -0.0000
559 0.5219 nan 0.0502 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.0536 0.0000
2 0.5307 nan 0.0536 0.0001
3 0.5304 nan 0.0536 0.0001
4 0.5301 nan 0.0536 0.0001
5 0.5300 nan 0.0536 0.0001
6 0.5298 nan 0.0536 0.0000
7 0.5297 nan 0.0536 0.0000
8 0.5295 nan 0.0536 0.0000
9 0.5294 nan 0.0536 0.0000
10 0.5295 nan 0.0536 -0.0003
20 0.5282 nan 0.0536 -0.0000
40 0.5267 nan 0.0536 -0.0000
60 0.5256 nan 0.0536 -0.0000
80 0.5246 nan 0.0536 -0.0000
100 0.5235 nan 0.0536 -0.0000
120 0.5226 nan 0.0536 -0.0000
140 0.5219 nan 0.0536 -0.0000
160 0.5214 nan 0.0536 -0.0000
173 0.5208 nan 0.0536 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.0631 0.0001
2 0.5307 nan 0.0631 0.0001
3 0.5305 nan 0.0631 0.0000
4 0.5303 nan 0.0631 0.0001
5 0.5301 nan 0.0631 0.0000
6 0.5300 nan 0.0631 0.0000
7 0.5298 nan 0.0631 0.0000
8 0.5296 nan 0.0631 0.0000
9 0.5295 nan 0.0631 0.0000
10 0.5294 nan 0.0631 0.0000
20 0.5283 nan 0.0631 0.0000
40 0.5272 nan 0.0631 -0.0000
60 0.5262 nan 0.0631 -0.0000
80 0.5254 nan 0.0631 -0.0000
100 0.5244 nan 0.0631 -0.0000
120 0.5238 nan 0.0631 -0.0000
140 0.5229 nan 0.0631 -0.0000
160 0.5222 nan 0.0631 -0.0000
180 0.5215 nan 0.0631 -0.0000
200 0.5210 nan 0.0631 -0.0000
220 0.5202 nan 0.0631 -0.0000
240 0.5195 nan 0.0631 -0.0000
260 0.5189 nan 0.0631 -0.0000
280 0.5184 nan 0.0631 -0.0003
300 0.5177 nan 0.0631 -0.0000
320 0.5171 nan 0.0631 -0.0001
340 0.5163 nan 0.0631 -0.0000
360 0.5158 nan 0.0631 -0.0000
380 0.5153 nan 0.0631 -0.0000
400 0.5148 nan 0.0631 -0.0000
420 0.5142 nan 0.0631 -0.0000
440 0.5138 nan 0.0631 -0.0000
460 0.5131 nan 0.0631 -0.0000
480 0.5123 nan 0.0631 -0.0000
500 0.5119 nan 0.0631 -0.0001
520 0.5113 nan 0.0631 -0.0000
540 0.5109 nan 0.0631 -0.0002
560 0.5104 nan 0.0631 -0.0000
580 0.5101 nan 0.0631 -0.0000
600 0.5097 nan 0.0631 -0.0000
620 0.5094 nan 0.0631 -0.0001
622 0.5094 nan 0.0631 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.0632 0.0001
2 0.5308 nan 0.0632 0.0001
3 0.5305 nan 0.0632 0.0001
4 0.5302 nan 0.0632 0.0001
5 0.5300 nan 0.0632 0.0001
6 0.5299 nan 0.0632 0.0000
7 0.5298 nan 0.0632 0.0000
8 0.5297 nan 0.0632 0.0000
9 0.5295 nan 0.0632 0.0000
10 0.5294 nan 0.0632 -0.0000
20 0.5285 nan 0.0632 0.0000
40 0.5273 nan 0.0632 -0.0000
60 0.5265 nan 0.0632 -0.0000
80 0.5259 nan 0.0632 -0.0000
100 0.5254 nan 0.0632 -0.0000
120 0.5249 nan 0.0632 -0.0000
140 0.5243 nan 0.0632 -0.0000
160 0.5238 nan 0.0632 -0.0000
180 0.5234 nan 0.0632 -0.0000
200 0.5230 nan 0.0632 -0.0000
220 0.5226 nan 0.0632 -0.0000
240 0.5222 nan 0.0632 -0.0000
260 0.5219 nan 0.0632 -0.0000
280 0.5214 nan 0.0632 -0.0001
296 0.5211 nan 0.0632 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.0632 0.0001
2 0.5306 nan 0.0632 0.0001
3 0.5304 nan 0.0632 0.0001
4 0.5301 nan 0.0632 0.0001
5 0.5299 nan 0.0632 0.0000
6 0.5297 nan 0.0632 0.0001
7 0.5295 nan 0.0632 0.0001
8 0.5293 nan 0.0632 0.0001
9 0.5291 nan 0.0632 -0.0000
10 0.5290 nan 0.0632 0.0001
20 0.5278 nan 0.0632 0.0000
40 0.5259 nan 0.0632 -0.0000
60 0.5249 nan 0.0632 -0.0000
80 0.5238 nan 0.0632 -0.0000
100 0.5228 nan 0.0632 -0.0000
120 0.5221 nan 0.0632 -0.0000
140 0.5214 nan 0.0632 -0.0000
160 0.5206 nan 0.0632 -0.0000
180 0.5201 nan 0.0632 -0.0001
200 0.5193 nan 0.0632 -0.0001
220 0.5187 nan 0.0632 -0.0000
240 0.5181 nan 0.0632 -0.0000
260 0.5175 nan 0.0632 -0.0000
280 0.5169 nan 0.0632 -0.0001
300 0.5161 nan 0.0632 -0.0000
320 0.5156 nan 0.0632 -0.0001
340 0.5150 nan 0.0632 -0.0000
360 0.5144 nan 0.0632 -0.0000
380 0.5139 nan 0.0632 -0.0000
400 0.5133 nan 0.0632 -0.0000
420 0.5128 nan 0.0632 -0.0001
440 0.5124 nan 0.0632 -0.0000
460 0.5120 nan 0.0632 -0.0001
480 0.5117 nan 0.0632 -0.0000
500 0.5112 nan 0.0632 -0.0000
520 0.5108 nan 0.0632 -0.0000
540 0.5103 nan 0.0632 -0.0000
560 0.5100 nan 0.0632 -0.0001
580 0.5095 nan 0.0632 -0.0001
600 0.5092 nan 0.0632 -0.0001
610 0.5090 nan 0.0632 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0647 0.0000
2 0.5310 nan 0.0647 0.0000
3 0.5308 nan 0.0647 0.0000
4 0.5307 nan 0.0647 0.0000
5 0.5306 nan 0.0647 0.0000
6 0.5305 nan 0.0647 0.0000
7 0.5304 nan 0.0647 0.0000
8 0.5304 nan 0.0647 0.0000
9 0.5303 nan 0.0647 0.0000
10 0.5302 nan 0.0647 0.0000
20 0.5297 nan 0.0647 -0.0000
40 0.5290 nan 0.0647 -0.0000
60 0.5286 nan 0.0647 0.0000
80 0.5283 nan 0.0647 -0.0000
100 0.5281 nan 0.0647 -0.0000
120 0.5279 nan 0.0647 -0.0000
140 0.5278 nan 0.0647 -0.0000
160 0.5277 nan 0.0647 -0.0000
180 0.5276 nan 0.0647 -0.0000
200 0.5276 nan 0.0647 -0.0000
220 0.5274 nan 0.0647 -0.0000
227 0.5274 nan 0.0647 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.0655 0.0001
2 0.5307 nan 0.0655 0.0000
3 0.5305 nan 0.0655 0.0000
4 0.5303 nan 0.0655 0.0000
5 0.5301 nan 0.0655 0.0001
6 0.5299 nan 0.0655 0.0000
7 0.5298 nan 0.0655 0.0000
8 0.5297 nan 0.0655 0.0000
9 0.5296 nan 0.0655 -0.0000
10 0.5295 nan 0.0655 -0.0000
20 0.5283 nan 0.0655 -0.0000
40 0.5268 nan 0.0655 -0.0000
60 0.5261 nan 0.0655 -0.0000
80 0.5253 nan 0.0655 -0.0000
100 0.5247 nan 0.0655 -0.0000
120 0.5239 nan 0.0655 -0.0000
140 0.5234 nan 0.0655 -0.0000
160 0.5227 nan 0.0655 -0.0000
180 0.5224 nan 0.0655 -0.0000
200 0.5222 nan 0.0655 -0.0001
220 0.5217 nan 0.0655 -0.0000
240 0.5213 nan 0.0655 -0.0000
260 0.5208 nan 0.0655 -0.0000
280 0.5203 nan 0.0655 -0.0001
300 0.5198 nan 0.0655 -0.0000
320 0.5195 nan 0.0655 -0.0000
340 0.5191 nan 0.0655 -0.0000
360 0.5191 nan 0.0655 -0.0000
380 0.5188 nan 0.0655 -0.0000
400 0.5186 nan 0.0655 -0.0000
420 0.5184 nan 0.0655 -0.0000
440 0.5178 nan 0.0655 -0.0000
460 0.5173 nan 0.0655 -0.0000
480 0.5170 nan 0.0655 -0.0000
500 0.5167 nan 0.0655 -0.0000
520 0.5162 nan 0.0655 -0.0000
540 0.5159 nan 0.0655 -0.0000
560 0.5156 nan 0.0655 -0.0001
580 0.5154 nan 0.0655 -0.0000
600 0.5150 nan 0.0655 -0.0000
620 0.5148 nan 0.0655 -0.0000
640 0.5145 nan 0.0655 -0.0001
642 0.5144 nan 0.0655 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.0664 0.0001
2 0.5306 nan 0.0664 0.0001
3 0.5304 nan 0.0664 0.0000
4 0.5301 nan 0.0664 0.0001
5 0.5299 nan 0.0664 0.0000
6 0.5297 nan 0.0664 0.0001
7 0.5295 nan 0.0664 0.0000
8 0.5294 nan 0.0664 -0.0000
9 0.5292 nan 0.0664 0.0000
10 0.5290 nan 0.0664 0.0001
20 0.5277 nan 0.0664 -0.0000
40 0.5261 nan 0.0664 -0.0000
51 0.5255 nan 0.0664 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5307 nan 0.0683 0.0002
2 0.5304 nan 0.0683 0.0001
3 0.5302 nan 0.0683 0.0001
4 0.5300 nan 0.0683 0.0000
5 0.5298 nan 0.0683 0.0000
6 0.5296 nan 0.0683 0.0000
7 0.5294 nan 0.0683 0.0000
8 0.5293 nan 0.0683 0.0000
9 0.5291 nan 0.0683 0.0000
10 0.5291 nan 0.0683 -0.0002
20 0.5279 nan 0.0683 -0.0000
40 0.5266 nan 0.0683 -0.0000
52 0.5259 nan 0.0683 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0702 0.0001
2 0.5309 nan 0.0702 0.0000
3 0.5308 nan 0.0702 0.0001
4 0.5307 nan 0.0702 0.0000
5 0.5306 nan 0.0702 0.0000
6 0.5305 nan 0.0702 0.0000
7 0.5304 nan 0.0702 -0.0000
8 0.5303 nan 0.0702 0.0000
9 0.5302 nan 0.0702 0.0000
10 0.5301 nan 0.0702 0.0000
20 0.5296 nan 0.0702 -0.0000
40 0.5289 nan 0.0702 -0.0000
60 0.5284 nan 0.0702 -0.0000
80 0.5281 nan 0.0702 -0.0000
100 0.5280 nan 0.0702 -0.0000
120 0.5278 nan 0.0702 -0.0000
140 0.5277 nan 0.0702 -0.0000
158 0.5276 nan 0.0702 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.0708 0.0000
2 0.5307 nan 0.0708 0.0001
3 0.5305 nan 0.0708 0.0000
4 0.5302 nan 0.0708 0.0001
5 0.5301 nan 0.0708 0.0000
6 0.5299 nan 0.0708 0.0001
7 0.5298 nan 0.0708 0.0000
8 0.5296 nan 0.0708 0.0001
9 0.5294 nan 0.0708 0.0000
10 0.5293 nan 0.0708 0.0000
20 0.5282 nan 0.0708 0.0000
40 0.5270 nan 0.0708 -0.0000
60 0.5260 nan 0.0708 -0.0000
80 0.5252 nan 0.0708 -0.0000
100 0.5246 nan 0.0708 -0.0000
120 0.5240 nan 0.0708 -0.0000
140 0.5234 nan 0.0708 -0.0000
160 0.5228 nan 0.0708 -0.0000
180 0.5224 nan 0.0708 -0.0000
200 0.5219 nan 0.0708 -0.0000
220 0.5218 nan 0.0708 -0.0000
240 0.5215 nan 0.0708 -0.0004
260 0.5210 nan 0.0708 -0.0000
280 0.5204 nan 0.0708 -0.0000
300 0.5199 nan 0.0708 -0.0000
320 0.5195 nan 0.0708 -0.0000
340 0.5191 nan 0.0708 -0.0000
360 0.5187 nan 0.0708 -0.0000
380 0.5184 nan 0.0708 -0.0000
400 0.5179 nan 0.0708 -0.0000
420 0.5174 nan 0.0708 -0.0000
440 0.5172 nan 0.0708 -0.0000
460 0.5168 nan 0.0708 -0.0000
480 0.5165 nan 0.0708 -0.0000
500 0.5163 nan 0.0708 -0.0004
520 0.5161 nan 0.0708 -0.0000
540 0.5156 nan 0.0708 -0.0001
559 0.5151 nan 0.0708 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0712 0.0000
2 0.5310 nan 0.0712 0.0001
3 0.5309 nan 0.0712 0.0001
4 0.5308 nan 0.0712 0.0000
5 0.5306 nan 0.0712 0.0000
6 0.5305 nan 0.0712 0.0000
7 0.5304 nan 0.0712 0.0000
8 0.5303 nan 0.0712 0.0000
9 0.5302 nan 0.0712 -0.0000
10 0.5301 nan 0.0712 0.0000
20 0.5296 nan 0.0712 -0.0000
40 0.5289 nan 0.0712 -0.0000
60 0.5284 nan 0.0712 -0.0000
80 0.5281 nan 0.0712 -0.0000
100 0.5281 nan 0.0712 -0.0000
120 0.5278 nan 0.0712 -0.0000
140 0.5277 nan 0.0712 -0.0000
160 0.5276 nan 0.0712 -0.0000
180 0.5275 nan 0.0712 -0.0000
200 0.5274 nan 0.0712 -0.0000
220 0.5273 nan 0.0712 -0.0000
240 0.5273 nan 0.0712 -0.0000
260 0.5272 nan 0.0712 -0.0000
280 0.5271 nan 0.0712 -0.0000
300 0.5271 nan 0.0712 -0.0000
320 0.5270 nan 0.0712 -0.0000
340 0.5270 nan 0.0712 -0.0000
360 0.5270 nan 0.0712 -0.0000
380 0.5269 nan 0.0712 -0.0000
400 0.5269 nan 0.0712 -0.0000
420 0.5268 nan 0.0712 -0.0000
440 0.5268 nan 0.0712 -0.0000
441 0.5268 nan 0.0712 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5308 nan 0.0722 0.0002
2 0.5306 nan 0.0722 0.0001
3 0.5304 nan 0.0722 0.0000
4 0.5302 nan 0.0722 0.0001
5 0.5300 nan 0.0722 0.0000
6 0.5297 nan 0.0722 0.0001
7 0.5295 nan 0.0722 0.0000
8 0.5294 nan 0.0722 0.0000
9 0.5293 nan 0.0722 0.0000
10 0.5291 nan 0.0722 0.0000
20 0.5279 nan 0.0722 -0.0000
40 0.5260 nan 0.0722 0.0000
60 0.5248 nan 0.0722 -0.0000
80 0.5240 nan 0.0722 -0.0000
100 0.5233 nan 0.0722 -0.0001
120 0.5227 nan 0.0722 -0.0000
140 0.5218 nan 0.0722 -0.0000
160 0.5209 nan 0.0722 -0.0000
180 0.5201 nan 0.0722 -0.0000
200 0.5196 nan 0.0722 -0.0000
220 0.5189 nan 0.0722 -0.0000
240 0.5181 nan 0.0722 -0.0000
260 0.5176 nan 0.0722 -0.0000
280 0.5169 nan 0.0722 -0.0000
300 0.5164 nan 0.0722 -0.0000
320 0.5157 nan 0.0722 -0.0000
340 0.5155 nan 0.0722 -0.0003
360 0.5149 nan 0.0722 -0.0001
380 0.5147 nan 0.0722 0.0000
400 0.5139 nan 0.0722 -0.0000
419 0.5138 nan 0.0722 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.0781 0.0001
2 0.5309 nan 0.0781 0.0000
3 0.5307 nan 0.0781 0.0001
4 0.5305 nan 0.0781 0.0001
5 0.5304 nan 0.0781 -0.0000
6 0.5303 nan 0.0781 0.0000
7 0.5301 nan 0.0781 0.0000
8 0.5299 nan 0.0781 0.0001
9 0.5298 nan 0.0781 0.0000
10 0.5296 nan 0.0781 0.0000
20 0.5287 nan 0.0781 0.0000
40 0.5278 nan 0.0781 -0.0000
60 0.5272 nan 0.0781 -0.0000
80 0.5267 nan 0.0781 -0.0000
100 0.5263 nan 0.0781 -0.0000
120 0.5260 nan 0.0781 -0.0000
140 0.5255 nan 0.0781 -0.0000
160 0.5251 nan 0.0781 -0.0000
180 0.5248 nan 0.0781 -0.0000
200 0.5245 nan 0.0781 -0.0000
220 0.5242 nan 0.0781 -0.0000
240 0.5239 nan 0.0781 -0.0003
260 0.5234 nan 0.0781 -0.0000
280 0.5233 nan 0.0781 -0.0000
300 0.5230 nan 0.0781 -0.0000
320 0.5229 nan 0.0781 -0.0000
340 0.5228 nan 0.0781 -0.0000
360 0.5224 nan 0.0781 -0.0000
380 0.5222 nan 0.0781 -0.0000
400 0.5220 nan 0.0781 -0.0000
420 0.5218 nan 0.0781 -0.0000
440 0.5216 nan 0.0781 -0.0000
460 0.5213 nan 0.0781 -0.0000
480 0.5211 nan 0.0781 -0.0000
500 0.5209 nan 0.0781 -0.0000
520 0.5208 nan 0.0781 -0.0000
540 0.5207 nan 0.0781 -0.0000
560 0.5205 nan 0.0781 -0.0000
580 0.5205 nan 0.0781 -0.0000
600 0.5203 nan 0.0781 -0.0000
620 0.5200 nan 0.0781 -0.0000
640 0.5198 nan 0.0781 -0.0000
660 0.5197 nan 0.0781 -0.0000
680 0.5195 nan 0.0781 -0.0000
700 0.5193 nan 0.0781 -0.0000
720 0.5191 nan 0.0781 -0.0000
740 0.5190 nan 0.0781 -0.0000
760 0.5189 nan 0.0781 -0.0000
780 0.5187 nan 0.0781 -0.0000
800 0.5185 nan 0.0781 -0.0000
820 0.5184 nan 0.0781 -0.0000
840 0.5182 nan 0.0781 -0.0000
860 0.5181 nan 0.0781 -0.0000
880 0.5179 nan 0.0781 -0.0000
900 0.5177 nan 0.0781 -0.0000
920 0.5176 nan 0.0781 -0.0000
923 0.5176 nan 0.0781 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.0784 0.0001
2 0.5305 nan 0.0784 0.0001
3 0.5302 nan 0.0784 0.0001
4 0.5297 nan 0.0784 -0.0000
5 0.5295 nan 0.0784 0.0000
6 0.5293 nan 0.0784 0.0000
7 0.5291 nan 0.0784 0.0000
8 0.5289 nan 0.0784 0.0000
9 0.5288 nan 0.0784 0.0000
10 0.5286 nan 0.0784 -0.0001
20 0.5274 nan 0.0784 -0.0000
40 0.5258 nan 0.0784 -0.0000
60 0.5246 nan 0.0784 -0.0004
80 0.5231 nan 0.0784 -0.0000
100 0.5218 nan 0.0784 -0.0000
120 0.5208 nan 0.0784 -0.0000
140 0.5199 nan 0.0784 -0.0000
160 0.5190 nan 0.0784 -0.0000
180 0.5178 nan 0.0784 0.0000
200 0.5168 nan 0.0784 -0.0000
220 0.5158 nan 0.0784 -0.0001
240 0.5149 nan 0.0784 -0.0000
260 0.5143 nan 0.0784 -0.0001
280 0.5133 nan 0.0784 -0.0000
300 0.5124 nan 0.0784 -0.0001
320 0.5116 nan 0.0784 -0.0001
340 0.5108 nan 0.0784 -0.0000
360 0.5103 nan 0.0784 -0.0000
380 0.5102 nan 0.0784 -0.0000
400 0.5096 nan 0.0784 -0.0001
420 0.5088 nan 0.0784 -0.0000
440 0.5081 nan 0.0784 -0.0000
460 0.5074 nan 0.0784 -0.0000
480 0.5065 nan 0.0784 -0.0001
500 0.5059 nan 0.0784 -0.0000
520 0.5056 nan 0.0784 -0.0001
540 0.5053 nan 0.0784 -0.0001
560 0.5050 nan 0.0784 -0.0000
580 0.5042 nan 0.0784 0.0000
600 0.5035 nan 0.0784 -0.0000
620 0.5028 nan 0.0784 -0.0001
640 0.5020 nan 0.0784 -0.0000
660 0.5014 nan 0.0784 -0.0000
680 0.5015 nan 0.0784 -0.0000
700 0.5009 nan 0.0784 -0.0000
720 0.5006 nan 0.0784 -0.0000
740 0.4999 nan 0.0784 -0.0000
760 0.4993 nan 0.0784 -0.0002
780 0.4988 nan 0.0784 -0.0001
790 0.4983 nan 0.0784 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.0794 0.0001
2 0.5307 nan 0.0794 0.0001
3 0.5305 nan 0.0794 0.0001
4 0.5303 nan 0.0794 0.0001
5 0.5302 nan 0.0794 0.0000
6 0.5300 nan 0.0794 0.0000
7 0.5300 nan 0.0794 0.0000
8 0.5299 nan 0.0794 -0.0000
9 0.5298 nan 0.0794 0.0000
10 0.5297 nan 0.0794 0.0000
20 0.5288 nan 0.0794 -0.0001
40 0.5279 nan 0.0794 -0.0000
60 0.5271 nan 0.0794 -0.0000
80 0.5266 nan 0.0794 -0.0000
100 0.5261 nan 0.0794 -0.0000
120 0.5256 nan 0.0794 -0.0001
140 0.5252 nan 0.0794 -0.0000
160 0.5250 nan 0.0794 -0.0000
180 0.5247 nan 0.0794 -0.0002
200 0.5243 nan 0.0794 -0.0000
220 0.5239 nan 0.0794 -0.0001
240 0.5236 nan 0.0794 -0.0000
260 0.5231 nan 0.0794 -0.0000
280 0.5228 nan 0.0794 -0.0000
300 0.5225 nan 0.0794 -0.0000
320 0.5224 nan 0.0794 -0.0000
340 0.5221 nan 0.0794 -0.0000
351 0.5220 nan 0.0794 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.0809 0.0001
2 0.5307 nan 0.0809 0.0000
3 0.5304 nan 0.0809 0.0001
4 0.5302 nan 0.0809 0.0000
5 0.5300 nan 0.0809 0.0001
6 0.5298 nan 0.0809 0.0001
7 0.5296 nan 0.0809 0.0001
8 0.5295 nan 0.0809 0.0000
9 0.5293 nan 0.0809 0.0000
10 0.5293 nan 0.0809 -0.0000
20 0.5282 nan 0.0809 0.0000
40 0.5264 nan 0.0809 -0.0000
60 0.5256 nan 0.0809 -0.0001
80 0.5246 nan 0.0809 0.0000
100 0.5239 nan 0.0809 -0.0000
120 0.5238 nan 0.0809 -0.0000
140 0.5231 nan 0.0809 -0.0000
160 0.5222 nan 0.0809 -0.0000
180 0.5222 nan 0.0809 -0.0000
200 0.5215 nan 0.0809 -0.0000
220 0.5210 nan 0.0809 -0.0000
240 0.5204 nan 0.0809 0.0000
260 0.5198 nan 0.0809 -0.0000
280 0.5194 nan 0.0809 -0.0000
300 0.5189 nan 0.0809 -0.0000
320 0.5184 nan 0.0809 -0.0000
340 0.5179 nan 0.0809 -0.0001
360 0.5173 nan 0.0809 -0.0000
380 0.5168 nan 0.0809 -0.0000
400 0.5164 nan 0.0809 -0.0003
420 0.5161 nan 0.0809 -0.0000
440 0.5156 nan 0.0809 -0.0000
460 0.5150 nan 0.0809 -0.0000
480 0.5148 nan 0.0809 -0.0000
500 0.5143 nan 0.0809 -0.0000
520 0.5143 nan 0.0809 -0.0000
540 0.5139 nan 0.0809 -0.0000
560 0.5136 nan 0.0809 -0.0000
580 0.5133 nan 0.0809 -0.0000
600 0.5128 nan 0.0809 -0.0000
620 0.5123 nan 0.0809 -0.0001
640 0.5120 nan 0.0809 -0.0000
660 0.5117 nan 0.0809 -0.0000
680 0.5114 nan 0.0809 -0.0000
700 0.5116 nan 0.0809 -0.0000
720 0.5111 nan 0.0809 -0.0000
740 0.5106 nan 0.0809 -0.0000
760 0.5103 nan 0.0809 -0.0000
780 0.5100 nan 0.0809 -0.0000
800 0.5095 nan 0.0809 -0.0000
820 0.5091 nan 0.0809 -0.0000
840 0.5087 nan 0.0809 -0.0001
860 0.5085 nan 0.0809 -0.0000
880 0.5081 nan 0.0809 -0.0000
900 0.5076 nan 0.0809 -0.0000
920 0.5072 nan 0.0809 -0.0000
940 0.5070 nan 0.0809 -0.0000
947 0.5069 nan 0.0809 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.0841 0.0001
2 0.5306 nan 0.0841 0.0001
3 0.5304 nan 0.0841 0.0001
4 0.5302 nan 0.0841 0.0000
5 0.5300 nan 0.0841 0.0000
6 0.5297 nan 0.0841 0.0001
7 0.5296 nan 0.0841 0.0000
8 0.5294 nan 0.0841 0.0001
9 0.5293 nan 0.0841 0.0000
10 0.5291 nan 0.0841 0.0000
20 0.5280 nan 0.0841 -0.0000
40 0.5267 nan 0.0841 -0.0000
60 0.5257 nan 0.0841 -0.0001
80 0.5249 nan 0.0841 -0.0001
100 0.5243 nan 0.0841 -0.0000
120 0.5235 nan 0.0841 -0.0000
140 0.5230 nan 0.0841 -0.0000
160 0.5225 nan 0.0841 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.0845 0.0001
2 0.5307 nan 0.0845 0.0001
3 0.5304 nan 0.0845 -0.0000
4 0.5301 nan 0.0845 0.0001
5 0.5298 nan 0.0845 0.0001
6 0.5296 nan 0.0845 0.0000
7 0.5294 nan 0.0845 0.0000
8 0.5292 nan 0.0845 0.0000
9 0.5291 nan 0.0845 0.0000
10 0.5289 nan 0.0845 -0.0000
20 0.5276 nan 0.0845 -0.0000
40 0.5262 nan 0.0845 -0.0000
60 0.5250 nan 0.0845 -0.0001
80 0.5241 nan 0.0845 -0.0000
100 0.5233 nan 0.0845 -0.0001
120 0.5225 nan 0.0845 -0.0000
140 0.5218 nan 0.0845 -0.0001
160 0.5212 nan 0.0845 -0.0000
180 0.5203 nan 0.0845 -0.0001
200 0.5197 nan 0.0845 -0.0001
220 0.5191 nan 0.0845 -0.0005
240 0.5188 nan 0.0845 -0.0000
260 0.5182 nan 0.0845 -0.0000
280 0.5177 nan 0.0845 -0.0000
300 0.5169 nan 0.0845 -0.0000
320 0.5165 nan 0.0845 -0.0000
340 0.5158 nan 0.0845 -0.0001
360 0.5154 nan 0.0845 -0.0000
380 0.5149 nan 0.0845 -0.0000
400 0.5145 nan 0.0845 -0.0000
420 0.5141 nan 0.0845 -0.0000
440 0.5137 nan 0.0845 -0.0001
460 0.5132 nan 0.0845 -0.0000
480 0.5128 nan 0.0845 -0.0000
500 0.5125 nan 0.0845 -0.0001
520 0.5120 nan 0.0845 -0.0000
540 0.5117 nan 0.0845 -0.0000
560 0.5114 nan 0.0845 -0.0001
580 0.5111 nan 0.0845 -0.0001
600 0.5107 nan 0.0845 -0.0001
620 0.5104 nan 0.0845 -0.0001
640 0.5100 nan 0.0845 -0.0001
660 0.5097 nan 0.0845 -0.0000
680 0.5094 nan 0.0845 -0.0000
700 0.5091 nan 0.0845 -0.0001
720 0.5087 nan 0.0845 -0.0000
740 0.5082 nan 0.0845 -0.0001
753 0.5080 nan 0.0845 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0848 0.0001
2 0.5309 nan 0.0848 0.0001
3 0.5308 nan 0.0848 0.0001
4 0.5307 nan 0.0848 0.0001
5 0.5306 nan 0.0848 0.0000
6 0.5305 nan 0.0848 0.0000
7 0.5304 nan 0.0848 0.0000
8 0.5304 nan 0.0848 -0.0000
9 0.5303 nan 0.0848 -0.0000
10 0.5302 nan 0.0848 0.0000
20 0.5294 nan 0.0848 0.0000
40 0.5286 nan 0.0848 -0.0000
60 0.5282 nan 0.0848 -0.0000
80 0.5280 nan 0.0848 -0.0000
100 0.5278 nan 0.0848 -0.0000
120 0.5277 nan 0.0848 -0.0000
140 0.5275 nan 0.0848 -0.0000
160 0.5274 nan 0.0848 -0.0000
180 0.5274 nan 0.0848 -0.0000
200 0.5273 nan 0.0848 -0.0000
220 0.5272 nan 0.0848 -0.0000
240 0.5272 nan 0.0848 -0.0000
260 0.5271 nan 0.0848 -0.0000
280 0.5270 nan 0.0848 -0.0000
300 0.5269 nan 0.0848 -0.0000
320 0.5269 nan 0.0848 -0.0000
340 0.5268 nan 0.0848 -0.0000
360 0.5268 nan 0.0848 -0.0000
380 0.5267 nan 0.0848 -0.0000
400 0.5267 nan 0.0848 -0.0000
420 0.5266 nan 0.0848 -0.0000
440 0.5266 nan 0.0848 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.0859 0.0001
2 0.5306 nan 0.0859 0.0001
3 0.5303 nan 0.0859 0.0001
4 0.5301 nan 0.0859 0.0001
5 0.5298 nan 0.0859 0.0001
6 0.5296 nan 0.0859 0.0001
7 0.5295 nan 0.0859 0.0000
8 0.5292 nan 0.0859 0.0001
9 0.5290 nan 0.0859 0.0000
10 0.5289 nan 0.0859 0.0000
20 0.5282 nan 0.0859 -0.0002
40 0.5269 nan 0.0859 -0.0000
60 0.5259 nan 0.0859 0.0000
80 0.5250 nan 0.0859 -0.0003
100 0.5240 nan 0.0859 -0.0000
120 0.5234 nan 0.0859 -0.0000
140 0.5231 nan 0.0859 -0.0001
160 0.5225 nan 0.0859 -0.0005
180 0.5220 nan 0.0859 -0.0000
200 0.5211 nan 0.0859 -0.0000
220 0.5203 nan 0.0859 -0.0001
240 0.5196 nan 0.0859 -0.0000
260 0.5192 nan 0.0859 -0.0000
280 0.5186 nan 0.0859 -0.0000
300 0.5185 nan 0.0859 -0.0000
320 0.5177 nan 0.0859 -0.0000
340 0.5172 nan 0.0859 -0.0000
360 0.5166 nan 0.0859 -0.0000
380 0.5161 nan 0.0859 -0.0000
400 0.5156 nan 0.0859 -0.0001
420 0.5151 nan 0.0859 -0.0000
440 0.5147 nan 0.0859 -0.0000
460 0.5142 nan 0.0859 0.0000
480 0.5136 nan 0.0859 0.0000
500 0.5133 nan 0.0859 -0.0000
520 0.5127 nan 0.0859 -0.0000
540 0.5121 nan 0.0859 -0.0000
560 0.5116 nan 0.0859 -0.0000
580 0.5113 nan 0.0859 -0.0000
600 0.5108 nan 0.0859 -0.0000
620 0.5103 nan 0.0859 -0.0000
640 0.5099 nan 0.0859 -0.0001
660 0.5094 nan 0.0859 -0.0000
680 0.5088 nan 0.0859 -0.0000
700 0.5084 nan 0.0859 -0.0000
720 0.5078 nan 0.0859 -0.0000
740 0.5074 nan 0.0859 -0.0000
760 0.5071 nan 0.0859 -0.0000
780 0.5068 nan 0.0859 -0.0000
800 0.5064 nan 0.0859 -0.0000
820 0.5061 nan 0.0859 -0.0001
840 0.5057 nan 0.0859 -0.0000
860 0.5053 nan 0.0859 -0.0000
880 0.5048 nan 0.0859 -0.0000
900 0.5046 nan 0.0859 -0.0003
920 0.5040 nan 0.0859 -0.0000
940 0.5036 nan 0.0859 -0.0001
941 0.5035 nan 0.0859 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.0877 0.0001
2 0.5307 nan 0.0877 0.0001
3 0.5305 nan 0.0877 0.0001
4 0.5305 nan 0.0877 -0.0000
5 0.5303 nan 0.0877 0.0000
6 0.5301 nan 0.0877 0.0001
7 0.5300 nan 0.0877 0.0000
8 0.5298 nan 0.0877 0.0000
9 0.5297 nan 0.0877 0.0000
10 0.5296 nan 0.0877 0.0000
20 0.5288 nan 0.0877 0.0000
40 0.5276 nan 0.0877 0.0000
60 0.5269 nan 0.0877 -0.0000
80 0.5265 nan 0.0877 -0.0000
100 0.5259 nan 0.0877 0.0000
120 0.5253 nan 0.0877 -0.0000
140 0.5247 nan 0.0877 -0.0000
160 0.5243 nan 0.0877 -0.0000
180 0.5240 nan 0.0877 -0.0000
191 0.5237 nan 0.0877 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.0918 0.0001
2 0.5306 nan 0.0918 0.0001
3 0.5303 nan 0.0918 0.0001
4 0.5299 nan 0.0918 0.0000
5 0.5298 nan 0.0918 -0.0000
6 0.5296 nan 0.0918 0.0000
7 0.5293 nan 0.0918 0.0001
8 0.5290 nan 0.0918 0.0001
9 0.5288 nan 0.0918 0.0000
10 0.5285 nan 0.0918 0.0001
20 0.5268 nan 0.0918 -0.0000
40 0.5250 nan 0.0918 -0.0000
60 0.5236 nan 0.0918 -0.0000
80 0.5226 nan 0.0918 -0.0000
100 0.5214 nan 0.0918 -0.0001
120 0.5202 nan 0.0918 -0.0001
140 0.5189 nan 0.0918 -0.0001
160 0.5182 nan 0.0918 0.0000
180 0.5170 nan 0.0918 -0.0000
200 0.5162 nan 0.0918 -0.0000
220 0.5152 nan 0.0918 -0.0001
240 0.5143 nan 0.0918 -0.0000
260 0.5136 nan 0.0918 -0.0000
280 0.5126 nan 0.0918 -0.0001
300 0.5122 nan 0.0918 -0.0000
320 0.5117 nan 0.0918 -0.0001
340 0.5107 nan 0.0918 -0.0000
360 0.5103 nan 0.0918 -0.0000
380 0.5095 nan 0.0918 -0.0000
389 0.5092 nan 0.0918 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.0936 0.0001
2 0.5308 nan 0.0936 0.0000
3 0.5305 nan 0.0936 0.0001
4 0.5304 nan 0.0936 0.0001
5 0.5302 nan 0.0936 0.0001
6 0.5300 nan 0.0936 0.0001
7 0.5299 nan 0.0936 0.0000
8 0.5298 nan 0.0936 0.0000
9 0.5296 nan 0.0936 0.0001
10 0.5294 nan 0.0936 0.0000
20 0.5284 nan 0.0936 -0.0000
40 0.5274 nan 0.0936 -0.0000
60 0.5268 nan 0.0936 -0.0000
80 0.5263 nan 0.0936 -0.0000
100 0.5263 nan 0.0936 -0.0000
120 0.5259 nan 0.0936 -0.0000
140 0.5254 nan 0.0936 -0.0000
160 0.5251 nan 0.0936 -0.0000
180 0.5249 nan 0.0936 -0.0000
200 0.5245 nan 0.0936 -0.0000
220 0.5242 nan 0.0936 -0.0000
240 0.5241 nan 0.0936 -0.0000
260 0.5238 nan 0.0936 -0.0000
280 0.5235 nan 0.0936 -0.0000
300 0.5230 nan 0.0936 -0.0001
320 0.5228 nan 0.0936 -0.0000
340 0.5225 nan 0.0936 -0.0000
360 0.5224 nan 0.0936 -0.0000
380 0.5220 nan 0.0936 -0.0000
400 0.5217 nan 0.0936 -0.0001
420 0.5214 nan 0.0936 -0.0000
440 0.5212 nan 0.0936 0.0000
460 0.5210 nan 0.0936 -0.0001
480 0.5208 nan 0.0936 -0.0000
500 0.5205 nan 0.0936 -0.0000
520 0.5203 nan 0.0936 -0.0000
540 0.5200 nan 0.0936 -0.0000
560 0.5200 nan 0.0936 -0.0000
580 0.5198 nan 0.0936 -0.0000
600 0.5196 nan 0.0936 -0.0000
620 0.5193 nan 0.0936 -0.0000
640 0.5190 nan 0.0936 -0.0000
660 0.5188 nan 0.0936 -0.0000
680 0.5186 nan 0.0936 -0.0000
700 0.5184 nan 0.0936 -0.0000
720 0.5183 nan 0.0936 -0.0000
733 0.5182 nan 0.0936 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.0945 0.0001
2 0.5305 nan 0.0945 0.0001
3 0.5301 nan 0.0945 0.0001
4 0.5296 nan 0.0945 0.0001
5 0.5293 nan 0.0945 0.0001
6 0.5291 nan 0.0945 0.0001
7 0.5289 nan 0.0945 0.0000
8 0.5287 nan 0.0945 0.0000
9 0.5285 nan 0.0945 -0.0000
10 0.5283 nan 0.0945 0.0000
20 0.5266 nan 0.0945 0.0000
40 0.5246 nan 0.0945 -0.0000
60 0.5236 nan 0.0945 -0.0004
80 0.5232 nan 0.0945 -0.0003
100 0.5216 nan 0.0945 -0.0000
120 0.5202 nan 0.0945 -0.0000
140 0.5188 nan 0.0945 -0.0000
160 0.5178 nan 0.0945 -0.0001
180 0.5166 nan 0.0945 -0.0000
200 0.5158 nan 0.0945 -0.0000
220 0.5148 nan 0.0945 -0.0001
240 0.5140 nan 0.0945 -0.0001
256 0.5133 nan 0.0945 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5311 nan 0.0993 0.0001
2 0.5309 nan 0.0993 0.0001
3 0.5307 nan 0.0993 0.0001
4 0.5305 nan 0.0993 0.0001
5 0.5304 nan 0.0993 0.0001
6 0.5303 nan 0.0993 0.0000
7 0.5302 nan 0.0993 0.0001
8 0.5301 nan 0.0993 0.0000
9 0.5300 nan 0.0993 0.0000
10 0.5299 nan 0.0993 0.0000
20 0.5292 nan 0.0993 -0.0000
40 0.5285 nan 0.0993 -0.0000
60 0.5281 nan 0.0993 -0.0000
80 0.5278 nan 0.0993 -0.0000
100 0.5277 nan 0.0993 -0.0000
120 0.5276 nan 0.0993 -0.0000
140 0.5274 nan 0.0993 -0.0000
160 0.5273 nan 0.0993 -0.0000
180 0.5272 nan 0.0993 -0.0000
200 0.5271 nan 0.0993 -0.0000
220 0.5273 nan 0.0993 -0.0005
240 0.5270 nan 0.0993 0.0000
260 0.5269 nan 0.0993 -0.0000
280 0.5268 nan 0.0993 -0.0000
300 0.5268 nan 0.0993 -0.0000
320 0.5267 nan 0.0993 -0.0000
340 0.5268 nan 0.0993 -0.0000
360 0.5267 nan 0.0993 -0.0000
380 0.5266 nan 0.0993 -0.0000
400 0.5265 nan 0.0993 -0.0000
420 0.5265 nan 0.0993 -0.0000
440 0.5264 nan 0.0993 -0.0000
460 0.5264 nan 0.0993 -0.0000
480 0.5263 nan 0.0993 -0.0000
500 0.5263 nan 0.0993 -0.0000
520 0.5262 nan 0.0993 -0.0000
540 0.5262 nan 0.0993 -0.0000
560 0.5261 nan 0.0993 -0.0000
580 0.5261 nan 0.0993 -0.0000
600 0.5261 nan 0.0993 -0.0000
620 0.5260 nan 0.0993 -0.0000
640 0.5259 nan 0.0993 -0.0000
660 0.5259 nan 0.0993 -0.0000
680 0.5260 nan 0.0993 -0.0000
700 0.5259 nan 0.0993 -0.0000
720 0.5258 nan 0.0993 -0.0000
740 0.5258 nan 0.0993 -0.0000
760 0.5257 nan 0.0993 -0.0000
780 0.5257 nan 0.0993 -0.0000
800 0.5257 nan 0.0993 -0.0000
820 0.5256 nan 0.0993 -0.0000
840 0.5256 nan 0.0993 -0.0000
860 0.5255 nan 0.0993 -0.0000
869 0.5255 nan 0.0993 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.0994 0.0001
2 0.5304 nan 0.0994 0.0002
3 0.5301 nan 0.0994 0.0001
4 0.5300 nan 0.0994 0.0000
5 0.5298 nan 0.0994 -0.0000
6 0.5296 nan 0.0994 0.0000
7 0.5295 nan 0.0994 0.0000
8 0.5292 nan 0.0994 0.0001
9 0.5290 nan 0.0994 0.0000
10 0.5288 nan 0.0994 -0.0001
20 0.5278 nan 0.0994 -0.0000
40 0.5266 nan 0.0994 -0.0000
60 0.5257 nan 0.0994 -0.0000
80 0.5248 nan 0.0994 -0.0000
100 0.5240 nan 0.0994 -0.0001
120 0.5234 nan 0.0994 -0.0000
140 0.5230 nan 0.0994 -0.0000
160 0.5224 nan 0.0994 -0.0000
180 0.5223 nan 0.0994 -0.0006
200 0.5214 nan 0.0994 -0.0000
220 0.5208 nan 0.0994 -0.0000
240 0.5204 nan 0.0994 -0.0000
260 0.5198 nan 0.0994 -0.0000
280 0.5194 nan 0.0994 -0.0000
300 0.5190 nan 0.0994 -0.0001
320 0.5185 nan 0.0994 -0.0000
340 0.5181 nan 0.0994 -0.0000
360 0.5177 nan 0.0994 -0.0001
380 0.5173 nan 0.0994 -0.0000
400 0.5168 nan 0.0994 -0.0001
420 0.5168 nan 0.0994 -0.0001
440 0.5163 nan 0.0994 -0.0000
460 0.5157 nan 0.0994 -0.0001
480 0.5156 nan 0.0994 -0.0000
500 0.5150 nan 0.0994 -0.0000
520 0.5147 nan 0.0994 -0.0000
540 0.5148 nan 0.0994 -0.0001
560 0.5144 nan 0.0994 -0.0001
580 0.5140 nan 0.0994 -0.0001
600 0.5137 nan 0.0994 -0.0000
620 0.5133 nan 0.0994 -0.0001
640 0.5131 nan 0.0994 -0.0001
660 0.5128 nan 0.0994 -0.0001
680 0.5125 nan 0.0994 -0.0000
696 0.5123 nan 0.0994 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5308 nan 0.1004 0.0001
2 0.5304 nan 0.1004 0.0000
3 0.5302 nan 0.1004 0.0001
4 0.5298 nan 0.1004 0.0001
5 0.5295 nan 0.1004 0.0000
6 0.5293 nan 0.1004 0.0001
7 0.5291 nan 0.1004 0.0000
8 0.5289 nan 0.1004 -0.0000
9 0.5287 nan 0.1004 0.0000
10 0.5286 nan 0.1004 -0.0000
20 0.5273 nan 0.1004 -0.0000
40 0.5258 nan 0.1004 -0.0001
60 0.5246 nan 0.1004 -0.0000
80 0.5236 nan 0.1004 -0.0000
100 0.5225 nan 0.1004 -0.0001
120 0.5215 nan 0.1004 -0.0000
140 0.5207 nan 0.1004 -0.0001
160 0.5198 nan 0.1004 -0.0001
180 0.5195 nan 0.1004 -0.0000
200 0.5186 nan 0.1004 -0.0001
220 0.5178 nan 0.1004 -0.0001
240 0.5170 nan 0.1004 -0.0000
260 0.5163 nan 0.1004 -0.0000
280 0.5156 nan 0.1004 -0.0000
300 0.5151 nan 0.1004 -0.0001
320 0.5146 nan 0.1004 -0.0000
340 0.5141 nan 0.1004 -0.0000
360 0.5136 nan 0.1004 -0.0000
380 0.5132 nan 0.1004 -0.0000
400 0.5125 nan 0.1004 -0.0000
420 0.5120 nan 0.1004 -0.0001
440 0.5114 nan 0.1004 -0.0001
460 0.5113 nan 0.1004 -0.0000
480 0.5108 nan 0.1004 -0.0000
500 0.5102 nan 0.1004 -0.0001
520 0.5097 nan 0.1004 -0.0001
540 0.5092 nan 0.1004 -0.0001
560 0.5088 nan 0.1004 -0.0000
580 0.5083 nan 0.1004 -0.0001
600 0.5080 nan 0.1004 -0.0001
620 0.5075 nan 0.1004 -0.0001
640 0.5073 nan 0.1004 -0.0002
660 0.5069 nan 0.1004 -0.0001
680 0.5065 nan 0.1004 -0.0001
700 0.5061 nan 0.1004 -0.0001
720 0.5058 nan 0.1004 -0.0001
740 0.5054 nan 0.1004 -0.0001
760 0.5050 nan 0.1004 -0.0001
780 0.5047 nan 0.1004 -0.0001
787 0.5045 nan 0.1004 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5307 nan 0.1013 0.0002
2 0.5303 nan 0.1013 0.0001
3 0.5300 nan 0.1013 0.0000
4 0.5299 nan 0.1013 0.0000
5 0.5296 nan 0.1013 0.0001
6 0.5293 nan 0.1013 0.0001
7 0.5291 nan 0.1013 0.0001
8 0.5288 nan 0.1013 0.0001
9 0.5287 nan 0.1013 -0.0000
10 0.5285 nan 0.1013 0.0000
20 0.5270 nan 0.1013 -0.0000
40 0.5258 nan 0.1013 -0.0000
60 0.5243 nan 0.1013 -0.0001
80 0.5232 nan 0.1013 -0.0001
100 0.5222 nan 0.1013 -0.0000
120 0.5212 nan 0.1013 -0.0000
140 0.5205 nan 0.1013 -0.0000
160 0.5196 nan 0.1013 -0.0001
180 0.5190 nan 0.1013 -0.0001
200 0.5182 nan 0.1013 -0.0000
220 0.5174 nan 0.1013 -0.0001
240 0.5166 nan 0.1013 -0.0000
260 0.5159 nan 0.1013 -0.0001
280 0.5154 nan 0.1013 -0.0001
300 0.5149 nan 0.1013 -0.0001
320 0.5143 nan 0.1013 -0.0001
340 0.5136 nan 0.1013 -0.0000
360 0.5130 nan 0.1013 -0.0001
380 0.5124 nan 0.1013 -0.0000
400 0.5120 nan 0.1013 -0.0001
420 0.5115 nan 0.1013 -0.0000
440 0.5111 nan 0.1013 -0.0001
460 0.5106 nan 0.1013 -0.0001
480 0.5106 nan 0.1013 -0.0000
500 0.5100 nan 0.1013 -0.0000
520 0.5096 nan 0.1013 -0.0001
540 0.5091 nan 0.1013 -0.0000
560 0.5086 nan 0.1013 -0.0001
580 0.5083 nan 0.1013 -0.0001
600 0.5078 nan 0.1013 -0.0001
601 0.5078 nan 0.1013 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5307 nan 0.1019 0.0001
2 0.5304 nan 0.1019 0.0001
3 0.5301 nan 0.1019 0.0000
4 0.5298 nan 0.1019 0.0000
5 0.5295 nan 0.1019 -0.0000
6 0.5291 nan 0.1019 0.0001
7 0.5289 nan 0.1019 0.0000
8 0.5287 nan 0.1019 0.0000
9 0.5285 nan 0.1019 -0.0000
10 0.5283 nan 0.1019 0.0000
20 0.5268 nan 0.1019 -0.0001
40 0.5249 nan 0.1019 -0.0001
60 0.5235 nan 0.1019 -0.0001
80 0.5223 nan 0.1019 -0.0000
100 0.5213 nan 0.1019 -0.0001
120 0.5203 nan 0.1019 -0.0001
140 0.5196 nan 0.1019 -0.0000
160 0.5186 nan 0.1019 -0.0000
180 0.5174 nan 0.1019 -0.0001
200 0.5165 nan 0.1019 -0.0000
220 0.5156 nan 0.1019 -0.0000
240 0.5148 nan 0.1019 -0.0001
260 0.5140 nan 0.1019 -0.0001
280 0.5132 nan 0.1019 -0.0001
300 0.5123 nan 0.1019 -0.0000
320 0.5115 nan 0.1019 -0.0001
340 0.5110 nan 0.1019 -0.0000
360 0.5103 nan 0.1019 -0.0001
380 0.5104 nan 0.1019 -0.0001
400 0.5096 nan 0.1019 -0.0001
420 0.5089 nan 0.1019 -0.0001
440 0.5082 nan 0.1019 -0.0001
460 0.5076 nan 0.1019 -0.0001
480 0.5070 nan 0.1019 -0.0001
500 0.5066 nan 0.1019 -0.0001
520 0.5060 nan 0.1019 -0.0001
540 0.5054 nan 0.1019 -0.0001
560 0.5048 nan 0.1019 -0.0001
580 0.5045 nan 0.1019 -0.0001
600 0.5039 nan 0.1019 -0.0001
620 0.5035 nan 0.1019 -0.0001
640 0.5030 nan 0.1019 -0.0001
645 0.5029 nan 0.1019 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5308 nan 0.1032 0.0002
2 0.5303 nan 0.1032 0.0002
3 0.5300 nan 0.1032 0.0001
4 0.5298 nan 0.1032 0.0000
5 0.5294 nan 0.1032 0.0001
6 0.5292 nan 0.1032 0.0000
7 0.5290 nan 0.1032 -0.0000
8 0.5289 nan 0.1032 -0.0000
9 0.5287 nan 0.1032 0.0000
10 0.5286 nan 0.1032 0.0000
20 0.5275 nan 0.1032 -0.0000
40 0.5262 nan 0.1032 -0.0002
60 0.5251 nan 0.1032 -0.0000
80 0.5237 nan 0.1032 -0.0001
100 0.5230 nan 0.1032 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5306 nan 0.1044 0.0002
2 0.5302 nan 0.1044 0.0001
3 0.5299 nan 0.1044 0.0001
4 0.5297 nan 0.1044 -0.0002
5 0.5294 nan 0.1044 0.0000
6 0.5291 nan 0.1044 0.0000
7 0.5290 nan 0.1044 0.0000
8 0.5287 nan 0.1044 -0.0001
9 0.5284 nan 0.1044 0.0000
10 0.5283 nan 0.1044 -0.0000
20 0.5267 nan 0.1044 -0.0000
40 0.5254 nan 0.1044 -0.0001
60 0.5244 nan 0.1044 -0.0000
80 0.5231 nan 0.1044 -0.0000
100 0.5216 nan 0.1044 -0.0000
120 0.5203 nan 0.1044 -0.0001
140 0.5191 nan 0.1044 -0.0001
160 0.5190 nan 0.1044 -0.0000
180 0.5180 nan 0.1044 -0.0001
200 0.5170 nan 0.1044 -0.0001
220 0.5158 nan 0.1044 -0.0000
240 0.5149 nan 0.1044 -0.0001
260 0.5153 nan 0.1044 -0.0001
280 0.5141 nan 0.1044 -0.0001
300 0.5139 nan 0.1044 -0.0001
320 0.5129 nan 0.1044 -0.0000
340 0.5122 nan 0.1044 -0.0000
360 0.5111 nan 0.1044 -0.0000
380 0.5103 nan 0.1044 -0.0000
400 0.5095 nan 0.1044 -0.0000
420 0.5086 nan 0.1044 -0.0000
440 0.5085 nan 0.1044 -0.0001
460 0.5076 nan 0.1044 -0.0001
480 0.5065 nan 0.1044 -0.0001
500 0.5059 nan 0.1044 -0.0001
520 0.5049 nan 0.1044 -0.0000
540 0.5044 nan 0.1044 -0.0002
560 0.5033 nan 0.1044 -0.0001
580 0.5027 nan 0.1044 -0.0000
600 0.5019 nan 0.1044 -0.0001
620 0.5015 nan 0.1044 -0.0004
640 0.5006 nan 0.1044 -0.0000
660 0.5007 nan 0.1044 -0.0001
680 0.5000 nan 0.1044 -0.0000
700 0.4993 nan 0.1044 -0.0001
720 0.4988 nan 0.1044 -0.0001
740 0.4985 nan 0.1044 -0.0001
760 0.4977 nan 0.1044 -0.0001
764 0.4975 nan 0.1044 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.1045 0.0001
2 0.5308 nan 0.1045 0.0001
3 0.5306 nan 0.1045 0.0000
4 0.5305 nan 0.1045 0.0000
5 0.5303 nan 0.1045 0.0001
6 0.5302 nan 0.1045 0.0000
7 0.5300 nan 0.1045 0.0000
8 0.5300 nan 0.1045 0.0000
9 0.5299 nan 0.1045 0.0000
10 0.5298 nan 0.1045 -0.0000
20 0.5291 nan 0.1045 -0.0000
40 0.5284 nan 0.1045 -0.0000
60 0.5281 nan 0.1045 -0.0000
80 0.5279 nan 0.1045 -0.0000
100 0.5276 nan 0.1045 -0.0000
120 0.5276 nan 0.1045 -0.0000
140 0.5274 nan 0.1045 -0.0000
160 0.5274 nan 0.1045 -0.0000
179 0.5274 nan 0.1045 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5308 nan 0.1147 0.0001
2 0.5303 nan 0.1147 0.0000
3 0.5301 nan 0.1147 0.0001
4 0.5298 nan 0.1147 0.0001
5 0.5295 nan 0.1147 0.0000
6 0.5293 nan 0.1147 0.0000
7 0.5292 nan 0.1147 -0.0000
8 0.5290 nan 0.1147 -0.0001
9 0.5285 nan 0.1147 0.0002
10 0.5284 nan 0.1147 -0.0000
20 0.5270 nan 0.1147 -0.0000
40 0.5251 nan 0.1147 -0.0000
60 0.5236 nan 0.1147 -0.0001
80 0.5226 nan 0.1147 -0.0000
100 0.5214 nan 0.1147 -0.0000
120 0.5212 nan 0.1147 -0.0000
140 0.5196 nan 0.1147 -0.0000
160 0.5185 nan 0.1147 -0.0001
180 0.5175 nan 0.1147 -0.0000
200 0.5166 nan 0.1147 -0.0003
220 0.5159 nan 0.1147 0.0000
240 0.5150 nan 0.1147 -0.0003
260 0.5147 nan 0.1147 -0.0006
280 0.5136 nan 0.1147 -0.0001
300 0.5130 nan 0.1147 -0.0001
320 0.5121 nan 0.1147 -0.0001
340 0.5111 nan 0.1147 -0.0001
360 0.5107 nan 0.1147 -0.0000
380 0.5103 nan 0.1147 -0.0000
400 0.5093 nan 0.1147 -0.0000
420 0.5091 nan 0.1147 -0.0000
440 0.5082 nan 0.1147 -0.0001
460 0.5073 nan 0.1147 -0.0000
480 0.5067 nan 0.1147 -0.0001
500 0.5059 nan 0.1147 -0.0001
520 0.5051 nan 0.1147 -0.0000
540 0.5044 nan 0.1147 -0.0002
560 0.5043 nan 0.1147 -0.0000
580 0.5039 nan 0.1147 -0.0001
600 0.5032 nan 0.1147 -0.0001
620 0.5027 nan 0.1147 -0.0000
640 0.5023 nan 0.1147 -0.0001
660 0.5027 nan 0.1147 -0.0001
680 0.5025 nan 0.1147 -0.0001
700 0.5020 nan 0.1147 -0.0000
720 0.5023 nan 0.1147 -0.0001
740 0.5014 nan 0.1147 -0.0000
756 0.5008 nan 0.1147 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5307 nan 0.1164 0.0002
2 0.5303 nan 0.1164 0.0002
3 0.5300 nan 0.1164 0.0001
4 0.5298 nan 0.1164 0.0001
5 0.5295 nan 0.1164 0.0000
6 0.5294 nan 0.1164 -0.0000
7 0.5292 nan 0.1164 -0.0000
8 0.5291 nan 0.1164 0.0000
9 0.5290 nan 0.1164 -0.0000
10 0.5288 nan 0.1164 -0.0000
20 0.5276 nan 0.1164 -0.0000
40 0.5264 nan 0.1164 -0.0001
60 0.5258 nan 0.1164 -0.0001
80 0.5248 nan 0.1164 -0.0000
100 0.5238 nan 0.1164 -0.0000
120 0.5231 nan 0.1164 -0.0000
140 0.5224 nan 0.1164 -0.0000
160 0.5218 nan 0.1164 -0.0001
180 0.5211 nan 0.1164 -0.0000
200 0.5206 nan 0.1164 -0.0000
220 0.5201 nan 0.1164 -0.0001
240 0.5196 nan 0.1164 -0.0001
260 0.5191 nan 0.1164 -0.0001
280 0.5185 nan 0.1164 -0.0000
300 0.5182 nan 0.1164 -0.0001
320 0.5182 nan 0.1164 -0.0000
340 0.5176 nan 0.1164 -0.0001
360 0.5171 nan 0.1164 -0.0001
380 0.5166 nan 0.1164 -0.0001
400 0.5162 nan 0.1164 -0.0001
420 0.5158 nan 0.1164 -0.0001
440 0.5155 nan 0.1164 -0.0001
460 0.5151 nan 0.1164 -0.0001
480 0.5147 nan 0.1164 -0.0001
500 0.5144 nan 0.1164 -0.0001
520 0.5141 nan 0.1164 -0.0000
540 0.5138 nan 0.1164 -0.0000
560 0.5135 nan 0.1164 -0.0001
580 0.5131 nan 0.1164 -0.0001
600 0.5128 nan 0.1164 -0.0001
620 0.5123 nan 0.1164 -0.0001
640 0.5120 nan 0.1164 -0.0001
660 0.5116 nan 0.1164 -0.0001
680 0.5113 nan 0.1164 -0.0000
700 0.5110 nan 0.1164 -0.0001
720 0.5107 nan 0.1164 -0.0001
740 0.5104 nan 0.1164 -0.0001
760 0.5100 nan 0.1164 -0.0001
780 0.5098 nan 0.1164 -0.0001
800 0.5094 nan 0.1164 -0.0000
820 0.5091 nan 0.1164 -0.0001
840 0.5088 nan 0.1164 -0.0000
860 0.5086 nan 0.1164 -0.0001
880 0.5083 nan 0.1164 -0.0000
900 0.5082 nan 0.1164 -0.0001
920 0.5080 nan 0.1164 -0.0000
938 0.5078 nan 0.1164 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.1195 0.0001
2 0.5306 nan 0.1195 0.0001
3 0.5304 nan 0.1195 0.0000
4 0.5302 nan 0.1195 0.0001
5 0.5298 nan 0.1195 0.0001
6 0.5298 nan 0.1195 -0.0000
7 0.5296 nan 0.1195 0.0000
8 0.5294 nan 0.1195 0.0000
9 0.5292 nan 0.1195 0.0000
10 0.5291 nan 0.1195 -0.0000
20 0.5282 nan 0.1195 -0.0000
40 0.5271 nan 0.1195 -0.0000
60 0.5263 nan 0.1195 -0.0000
80 0.5257 nan 0.1195 -0.0000
100 0.5252 nan 0.1195 -0.0000
120 0.5248 nan 0.1195 -0.0001
140 0.5252 nan 0.1195 -0.0006
160 0.5246 nan 0.1195 -0.0000
180 0.5240 nan 0.1195 -0.0000
200 0.5235 nan 0.1195 -0.0001
220 0.5231 nan 0.1195 -0.0001
240 0.5227 nan 0.1195 -0.0001
260 0.5226 nan 0.1195 -0.0000
280 0.5222 nan 0.1195 -0.0000
300 0.5217 nan 0.1195 -0.0000
320 0.5213 nan 0.1195 -0.0000
340 0.5212 nan 0.1195 -0.0000
358 0.5213 nan 0.1195 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5308 nan 0.1204 0.0002
2 0.5305 nan 0.1204 0.0001
3 0.5300 nan 0.1204 0.0001
4 0.5297 nan 0.1204 0.0001
5 0.5295 nan 0.1204 0.0001
6 0.5292 nan 0.1204 0.0001
7 0.5290 nan 0.1204 -0.0000
8 0.5288 nan 0.1204 0.0000
9 0.5286 nan 0.1204 0.0000
10 0.5285 nan 0.1204 0.0000
20 0.5277 nan 0.1204 -0.0001
40 0.5263 nan 0.1204 -0.0001
60 0.5256 nan 0.1204 -0.0001
80 0.5245 nan 0.1204 -0.0000
100 0.5235 nan 0.1204 -0.0000
120 0.5227 nan 0.1204 -0.0000
140 0.5219 nan 0.1204 -0.0000
160 0.5213 nan 0.1204 -0.0000
180 0.5207 nan 0.1204 -0.0000
200 0.5201 nan 0.1204 -0.0002
220 0.5194 nan 0.1204 -0.0001
240 0.5186 nan 0.1204 -0.0000
260 0.5182 nan 0.1204 -0.0001
280 0.5176 nan 0.1204 -0.0001
300 0.5169 nan 0.1204 -0.0001
320 0.5164 nan 0.1204 -0.0000
340 0.5159 nan 0.1204 -0.0000
360 0.5156 nan 0.1204 -0.0000
380 0.5149 nan 0.1204 -0.0000
400 0.5146 nan 0.1204 -0.0001
420 0.5142 nan 0.1204 -0.0001
440 0.5137 nan 0.1204 -0.0001
460 0.5131 nan 0.1204 -0.0001
480 0.5130 nan 0.1204 -0.0001
500 0.5123 nan 0.1204 -0.0000
520 0.5120 nan 0.1204 -0.0001
540 0.5118 nan 0.1204 -0.0001
560 0.5118 nan 0.1204 -0.0001
580 0.5114 nan 0.1204 -0.0000
600 0.5110 nan 0.1204 -0.0001
620 0.5109 nan 0.1204 -0.0000
640 0.5105 nan 0.1204 0.0000
660 0.5100 nan 0.1204 -0.0000
680 0.5100 nan 0.1204 -0.0000
700 0.5094 nan 0.1204 -0.0000
720 0.5090 nan 0.1204 -0.0000
740 0.5087 nan 0.1204 -0.0001
760 0.5085 nan 0.1204 -0.0001
780 0.5083 nan 0.1204 -0.0001
800 0.5082 nan 0.1204 -0.0001
820 0.5077 nan 0.1204 -0.0001
840 0.5074 nan 0.1204 -0.0001
860 0.5074 nan 0.1204 -0.0001
880 0.5070 nan 0.1204 -0.0001
900 0.5068 nan 0.1204 -0.0000
920 0.5065 nan 0.1204 -0.0001
922 0.5066 nan 0.1204 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.1207 0.0001
2 0.5308 nan 0.1207 0.0001
3 0.5307 nan 0.1207 0.0000
4 0.5305 nan 0.1207 0.0001
5 0.5303 nan 0.1207 0.0000
6 0.5301 nan 0.1207 0.0001
7 0.5300 nan 0.1207 0.0000
8 0.5299 nan 0.1207 0.0000
9 0.5297 nan 0.1207 0.0000
10 0.5297 nan 0.1207 -0.0000
20 0.5290 nan 0.1207 -0.0000
40 0.5283 nan 0.1207 -0.0000
60 0.5280 nan 0.1207 -0.0000
80 0.5277 nan 0.1207 -0.0000
100 0.5275 nan 0.1207 -0.0000
120 0.5274 nan 0.1207 -0.0000
140 0.5273 nan 0.1207 -0.0000
160 0.5273 nan 0.1207 -0.0000
180 0.5272 nan 0.1207 -0.0000
200 0.5271 nan 0.1207 -0.0000
220 0.5272 nan 0.1207 -0.0001
221 0.5272 nan 0.1207 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5307 nan 0.1239 0.0001
2 0.5305 nan 0.1239 0.0000
3 0.5300 nan 0.1239 0.0002
4 0.5296 nan 0.1239 -0.0001
5 0.5293 nan 0.1239 0.0000
6 0.5288 nan 0.1239 0.0001
7 0.5287 nan 0.1239 -0.0000
8 0.5284 nan 0.1239 0.0001
9 0.5282 nan 0.1239 0.0000
10 0.5282 nan 0.1239 -0.0001
20 0.5270 nan 0.1239 0.0000
40 0.5249 nan 0.1239 -0.0000
60 0.5235 nan 0.1239 0.0000
80 0.5220 nan 0.1239 -0.0001
100 0.5209 nan 0.1239 -0.0000
120 0.5199 nan 0.1239 -0.0003
140 0.5184 nan 0.1239 -0.0002
160 0.5181 nan 0.1239 -0.0001
180 0.5169 nan 0.1239 -0.0000
200 0.5165 nan 0.1239 -0.0001
220 0.5152 nan 0.1239 -0.0000
240 0.5145 nan 0.1239 -0.0001
260 0.5140 nan 0.1239 -0.0001
280 0.5131 nan 0.1239 -0.0000
300 0.5128 nan 0.1239 -0.0001
320 0.5119 nan 0.1239 -0.0002
340 0.5112 nan 0.1239 -0.0001
360 0.5108 nan 0.1239 -0.0000
380 0.5110 nan 0.1239 -0.0001
400 0.5100 nan 0.1239 -0.0001
420 0.5095 nan 0.1239 -0.0000
440 0.5085 nan 0.1239 -0.0001
460 0.5078 nan 0.1239 -0.0000
480 0.5083 nan 0.1239 -0.0005
500 0.5074 nan 0.1239 -0.0000
520 0.5068 nan 0.1239 -0.0001
540 0.5062 nan 0.1239 -0.0000
560 0.5057 nan 0.1239 -0.0001
580 0.5054 nan 0.1239 -0.0001
600 0.5047 nan 0.1239 -0.0001
620 0.5039 nan 0.1239 -0.0001
640 0.5035 nan 0.1239 -0.0001
660 0.5034 nan 0.1239 -0.0001
680 0.5035 nan 0.1239 -0.0000
700 0.5029 nan 0.1239 -0.0002
720 0.5023 nan 0.1239 -0.0001
740 0.5015 nan 0.1239 -0.0001
755 0.5009 nan 0.1239 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.1270 0.0001
2 0.5307 nan 0.1270 0.0001
3 0.5306 nan 0.1270 0.0001
4 0.5304 nan 0.1270 -0.0000
5 0.5301 nan 0.1270 0.0001
6 0.5300 nan 0.1270 0.0000
7 0.5299 nan 0.1270 -0.0000
8 0.5298 nan 0.1270 -0.0000
9 0.5297 nan 0.1270 0.0000
10 0.5296 nan 0.1270 0.0000
20 0.5289 nan 0.1270 -0.0000
40 0.5283 nan 0.1270 -0.0000
60 0.5279 nan 0.1270 -0.0000
80 0.5276 nan 0.1270 -0.0000
100 0.5275 nan 0.1270 -0.0000
120 0.5274 nan 0.1270 -0.0001
140 0.5272 nan 0.1270 -0.0000
160 0.5271 nan 0.1270 -0.0000
180 0.5270 nan 0.1270 -0.0000
200 0.5270 nan 0.1270 -0.0000
220 0.5269 nan 0.1270 -0.0000
240 0.5268 nan 0.1270 -0.0000
260 0.5268 nan 0.1270 -0.0000
280 0.5267 nan 0.1270 -0.0000
300 0.5267 nan 0.1270 -0.0000
320 0.5266 nan 0.1270 -0.0000
340 0.5265 nan 0.1270 -0.0001
360 0.5265 nan 0.1270 -0.0000
380 0.5264 nan 0.1270 -0.0000
400 0.5264 nan 0.1270 -0.0000
420 0.5263 nan 0.1270 -0.0000
440 0.5262 nan 0.1270 -0.0000
460 0.5262 nan 0.1270 -0.0000
479 0.5262 nan 0.1270 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5307 nan 0.1323 0.0002
2 0.5302 nan 0.1323 0.0001
3 0.5297 nan 0.1323 0.0001
4 0.5293 nan 0.1323 0.0000
5 0.5291 nan 0.1323 0.0000
6 0.5289 nan 0.1323 -0.0001
7 0.5287 nan 0.1323 -0.0000
8 0.5285 nan 0.1323 -0.0000
9 0.5284 nan 0.1323 -0.0000
10 0.5282 nan 0.1323 -0.0000
20 0.5267 nan 0.1323 -0.0001
40 0.5248 nan 0.1323 -0.0001
60 0.5236 nan 0.1323 -0.0001
80 0.5229 nan 0.1323 -0.0000
100 0.5215 nan 0.1323 -0.0002
120 0.5208 nan 0.1323 -0.0001
140 0.5195 nan 0.1323 -0.0000
160 0.5185 nan 0.1323 -0.0001
180 0.5180 nan 0.1323 -0.0000
200 0.5170 nan 0.1323 -0.0000
220 0.5158 nan 0.1323 -0.0001
240 0.5151 nan 0.1323 -0.0001
260 0.5140 nan 0.1323 -0.0001
280 0.5137 nan 0.1323 0.0000
300 0.5126 nan 0.1323 -0.0001
320 0.5119 nan 0.1323 -0.0001
340 0.5113 nan 0.1323 -0.0001
360 0.5105 nan 0.1323 -0.0001
380 0.5101 nan 0.1323 -0.0001
400 0.5095 nan 0.1323 -0.0001
420 0.5098 nan 0.1323 -0.0001
440 0.5097 nan 0.1323 -0.0001
460 0.5095 nan 0.1323 -0.0001
480 0.5089 nan 0.1323 -0.0001
500 0.5086 nan 0.1323 -0.0001
520 0.5079 nan 0.1323 -0.0001
540 0.5071 nan 0.1323 -0.0001
558 0.5073 nan 0.1323 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5308 nan 0.1340 0.0001
2 0.5301 nan 0.1340 0.0002
3 0.5296 nan 0.1340 0.0001
4 0.5293 nan 0.1340 0.0001
5 0.5290 nan 0.1340 0.0000
6 0.5288 nan 0.1340 0.0000
7 0.5285 nan 0.1340 -0.0000
8 0.5282 nan 0.1340 0.0000
9 0.5280 nan 0.1340 -0.0001
10 0.5278 nan 0.1340 -0.0001
20 0.5278 nan 0.1340 -0.0000
40 0.5246 nan 0.1340 0.0001
60 0.5225 nan 0.1340 -0.0000
80 0.5203 nan 0.1340 -0.0001
100 0.5188 nan 0.1340 -0.0001
120 0.5175 nan 0.1340 -0.0000
140 0.5161 nan 0.1340 -0.0001
160 0.5156 nan 0.1340 -0.0000
180 0.5146 nan 0.1340 -0.0002
200 0.5129 nan 0.1340 -0.0001
220 0.5121 nan 0.1340 -0.0000
240 0.5120 nan 0.1340 -0.0001
260 0.5107 nan 0.1340 -0.0001
280 0.5092 nan 0.1340 -0.0001
300 0.5085 nan 0.1340 -0.0000
320 0.5076 nan 0.1340 -0.0001
340 0.5067 nan 0.1340 -0.0002
360 0.5064 nan 0.1340 -0.0001
380 0.5055 nan 0.1340 -0.0000
400 0.5047 nan 0.1340 -0.0001
420 0.5046 nan 0.1340 -0.0000
440 0.5040 nan 0.1340 -0.0001
460 0.5032 nan 0.1340 0.0000
480 0.5031 nan 0.1340 -0.0005
500 0.5020 nan 0.1340 -0.0001
520 0.5005 nan 0.1340 -0.0001
540 0.4990 nan 0.1340 -0.0000
560 0.4977 nan 0.1340 -0.0001
573 0.4973 nan 0.1340 -0.0003
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5310 nan 0.1341 0.0001
2 0.5307 nan 0.1341 0.0001
3 0.5305 nan 0.1341 0.0000
4 0.5303 nan 0.1341 0.0001
5 0.5302 nan 0.1341 0.0000
6 0.5300 nan 0.1341 0.0000
7 0.5299 nan 0.1341 0.0000
8 0.5298 nan 0.1341 -0.0000
9 0.5297 nan 0.1341 0.0000
10 0.5297 nan 0.1341 0.0000
20 0.5289 nan 0.1341 0.0000
40 0.5282 nan 0.1341 -0.0000
60 0.5278 nan 0.1341 -0.0000
80 0.5278 nan 0.1341 -0.0000
100 0.5276 nan 0.1341 -0.0000
120 0.5275 nan 0.1341 -0.0000
140 0.5274 nan 0.1341 -0.0000
160 0.5273 nan 0.1341 -0.0001
180 0.5271 nan 0.1341 -0.0000
200 0.5271 nan 0.1341 -0.0000
220 0.5270 nan 0.1341 -0.0000
240 0.5273 nan 0.1341 0.0000
260 0.5269 nan 0.1341 -0.0000
280 0.5267 nan 0.1341 -0.0000
300 0.5267 nan 0.1341 -0.0000
320 0.5267 nan 0.1341 -0.0000
340 0.5265 nan 0.1341 -0.0000
360 0.5265 nan 0.1341 -0.0000
380 0.5265 nan 0.1341 -0.0001
388 0.5264 nan 0.1341 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.1348 0.0001
2 0.5307 nan 0.1348 0.0001
3 0.5305 nan 0.1348 0.0000
4 0.5304 nan 0.1348 0.0000
5 0.5302 nan 0.1348 0.0001
6 0.5301 nan 0.1348 0.0001
7 0.5299 nan 0.1348 0.0000
8 0.5298 nan 0.1348 0.0000
9 0.5296 nan 0.1348 0.0001
10 0.5296 nan 0.1348 0.0000
20 0.5290 nan 0.1348 -0.0000
40 0.5283 nan 0.1348 -0.0000
60 0.5280 nan 0.1348 -0.0000
80 0.5277 nan 0.1348 -0.0000
100 0.5274 nan 0.1348 -0.0000
120 0.5272 nan 0.1348 -0.0000
140 0.5274 nan 0.1348 -0.0000
160 0.5274 nan 0.1348 -0.0000
172 0.5272 nan 0.1348 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5308 nan 0.1402 0.0001
2 0.5302 nan 0.1402 0.0002
3 0.5300 nan 0.1402 0.0000
4 0.5297 nan 0.1402 0.0001
5 0.5295 nan 0.1402 0.0000
6 0.5293 nan 0.1402 -0.0000
7 0.5290 nan 0.1402 0.0000
8 0.5288 nan 0.1402 -0.0000
9 0.5287 nan 0.1402 -0.0000
10 0.5285 nan 0.1402 -0.0000
20 0.5273 nan 0.1402 -0.0001
40 0.5259 nan 0.1402 -0.0001
60 0.5255 nan 0.1402 -0.0001
80 0.5242 nan 0.1402 -0.0000
100 0.5229 nan 0.1402 -0.0001
120 0.5218 nan 0.1402 0.0000
140 0.5206 nan 0.1402 -0.0001
160 0.5210 nan 0.1402 -0.0000
180 0.5195 nan 0.1402 -0.0001
200 0.5191 nan 0.1402 -0.0000
220 0.5182 nan 0.1402 -0.0000
228 0.5183 nan 0.1402 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.1450 0.0001
2 0.5307 nan 0.1450 0.0001
3 0.5305 nan 0.1450 0.0001
4 0.5303 nan 0.1450 0.0000
5 0.5301 nan 0.1450 0.0000
6 0.5300 nan 0.1450 0.0000
7 0.5299 nan 0.1450 0.0001
8 0.5298 nan 0.1450 -0.0000
9 0.5297 nan 0.1450 0.0001
10 0.5296 nan 0.1450 0.0000
20 0.5289 nan 0.1450 0.0000
40 0.5282 nan 0.1450 0.0000
60 0.5278 nan 0.1450 -0.0000
80 0.5277 nan 0.1450 -0.0000
100 0.5275 nan 0.1450 -0.0000
120 0.5275 nan 0.1450 0.0000
140 0.5273 nan 0.1450 -0.0001
160 0.5272 nan 0.1450 -0.0001
180 0.5271 nan 0.1450 -0.0000
200 0.5270 nan 0.1450 -0.0000
220 0.5269 nan 0.1450 -0.0000
240 0.5268 nan 0.1450 -0.0000
260 0.5267 nan 0.1450 -0.0000
280 0.5266 nan 0.1450 -0.0000
300 0.5266 nan 0.1450 -0.0000
320 0.5265 nan 0.1450 0.0000
340 0.5264 nan 0.1450 -0.0000
360 0.5264 nan 0.1450 -0.0000
380 0.5263 nan 0.1450 -0.0000
400 0.5262 nan 0.1450 -0.0000
420 0.5262 nan 0.1450 -0.0000
440 0.5261 nan 0.1450 -0.0000
456 0.5260 nan 0.1450 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5306 nan 0.1470 0.0002
2 0.5300 nan 0.1470 0.0000
3 0.5295 nan 0.1470 0.0001
4 0.5291 nan 0.1470 -0.0000
5 0.5287 nan 0.1470 -0.0000
6 0.5284 nan 0.1470 -0.0000
7 0.5281 nan 0.1470 0.0000
8 0.5279 nan 0.1470 -0.0001
9 0.5277 nan 0.1470 -0.0001
10 0.5276 nan 0.1470 -0.0000
20 0.5257 nan 0.1470 -0.0000
40 0.5232 nan 0.1470 -0.0001
60 0.5211 nan 0.1470 -0.0000
80 0.5197 nan 0.1470 -0.0000
100 0.5189 nan 0.1470 -0.0001
119 0.5180 nan 0.1470 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5308 nan 0.1473 0.0002
2 0.5305 nan 0.1473 0.0001
3 0.5299 nan 0.1473 0.0002
4 0.5297 nan 0.1473 0.0001
5 0.5295 nan 0.1473 0.0000
6 0.5293 nan 0.1473 0.0000
7 0.5291 nan 0.1473 0.0000
8 0.5290 nan 0.1473 -0.0000
9 0.5289 nan 0.1473 -0.0000
10 0.5288 nan 0.1473 -0.0000
20 0.5279 nan 0.1473 -0.0000
40 0.5272 nan 0.1473 -0.0000
60 0.5261 nan 0.1473 -0.0000
80 0.5258 nan 0.1473 -0.0000
100 0.5252 nan 0.1473 -0.0001
120 0.5249 nan 0.1473 -0.0000
140 0.5245 nan 0.1473 0.0000
160 0.5239 nan 0.1473 -0.0000
180 0.5244 nan 0.1473 0.0000
200 0.5234 nan 0.1473 -0.0001
220 0.5229 nan 0.1473 -0.0001
240 0.5225 nan 0.1473 -0.0001
260 0.5222 nan 0.1473 -0.0001
272 0.5220 nan 0.1473 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5306 nan 0.1526 0.0002
2 0.5300 nan 0.1526 0.0002
3 0.5295 nan 0.1526 0.0001
4 0.5292 nan 0.1526 0.0001
5 0.5290 nan 0.1526 -0.0001
6 0.5287 nan 0.1526 0.0001
7 0.5284 nan 0.1526 0.0000
8 0.5282 nan 0.1526 0.0000
9 0.5280 nan 0.1526 -0.0001
10 0.5280 nan 0.1526 -0.0001
20 0.5262 nan 0.1526 -0.0000
40 0.5246 nan 0.1526 -0.0001
60 0.5236 nan 0.1526 -0.0005
80 0.5219 nan 0.1526 -0.0001
100 0.5210 nan 0.1526 -0.0000
120 0.5193 nan 0.1526 -0.0000
140 0.5185 nan 0.1526 -0.0005
160 0.5174 nan 0.1526 -0.0001
180 0.5163 nan 0.1526 -0.0001
200 0.5151 nan 0.1526 -0.0003
220 0.5141 nan 0.1526 -0.0001
240 0.5138 nan 0.1526 -0.0001
260 0.5136 nan 0.1526 -0.0005
280 0.5126 nan 0.1526 -0.0001
300 0.5119 nan 0.1526 -0.0001
320 0.5109 nan 0.1526 -0.0001
340 0.5095 nan 0.1526 0.0001
360 0.5092 nan 0.1526 -0.0006
380 0.5081 nan 0.1526 -0.0001
400 0.5080 nan 0.1526 -0.0000
420 0.5073 nan 0.1526 -0.0002
440 0.5066 nan 0.1526 -0.0001
460 0.5060 nan 0.1526 -0.0003
480 0.5047 nan 0.1526 -0.0001
500 0.5044 nan 0.1526 -0.0001
520 0.5046 nan 0.1526 -0.0007
540 0.5041 nan 0.1526 -0.0000
560 0.5036 nan 0.1526 -0.0001
580 0.5031 nan 0.1526 -0.0001
600 0.5026 nan 0.1526 -0.0001
620 0.5027 nan 0.1526 -0.0001
640 0.5020 nan 0.1526 -0.0001
660 0.5010 nan 0.1526 -0.0001
680 0.5009 nan 0.1526 -0.0001
700 0.5001 nan 0.1526 -0.0001
720 0.4996 nan 0.1526 -0.0001
738 0.4995 nan 0.1526 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5308 nan 0.1541 0.0001
2 0.5306 nan 0.1541 0.0001
3 0.5305 nan 0.1541 0.0000
4 0.5302 nan 0.1541 0.0001
5 0.5301 nan 0.1541 0.0000
6 0.5299 nan 0.1541 0.0001
7 0.5299 nan 0.1541 -0.0000
8 0.5298 nan 0.1541 -0.0000
9 0.5297 nan 0.1541 0.0000
10 0.5295 nan 0.1541 0.0001
20 0.5287 nan 0.1541 0.0000
40 0.5283 nan 0.1541 0.0000
60 0.5279 nan 0.1541 -0.0000
80 0.5275 nan 0.1541 -0.0000
100 0.5274 nan 0.1541 -0.0001
120 0.5273 nan 0.1541 -0.0000
140 0.5271 nan 0.1541 -0.0000
160 0.5271 nan 0.1541 -0.0001
180 0.5269 nan 0.1541 -0.0000
200 0.5268 nan 0.1541 -0.0001
220 0.5267 nan 0.1541 -0.0000
240 0.5270 nan 0.1541 -0.0000
260 0.5267 nan 0.1541 -0.0000
280 0.5266 nan 0.1541 -0.0000
300 0.5264 nan 0.1541 -0.0000
320 0.5264 nan 0.1541 -0.0000
340 0.5264 nan 0.1541 -0.0000
360 0.5263 nan 0.1541 -0.0000
380 0.5262 nan 0.1541 -0.0000
400 0.5261 nan 0.1541 -0.0000
420 0.5261 nan 0.1541 -0.0000
440 0.5264 nan 0.1541 -0.0000
443 0.5263 nan 0.1541 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5305 nan 0.1632 0.0002
2 0.5296 nan 0.1632 0.0002
3 0.5292 nan 0.1632 0.0001
4 0.5288 nan 0.1632 0.0001
5 0.5287 nan 0.1632 -0.0001
6 0.5285 nan 0.1632 -0.0001
7 0.5281 nan 0.1632 0.0000
8 0.5279 nan 0.1632 0.0000
9 0.5277 nan 0.1632 -0.0000
10 0.5275 nan 0.1632 0.0000
20 0.5261 nan 0.1632 -0.0002
40 0.5232 nan 0.1632 -0.0001
60 0.5210 nan 0.1632 -0.0001
80 0.5190 nan 0.1632 -0.0001
100 0.5175 nan 0.1632 -0.0001
120 0.5180 nan 0.1632 -0.0017
140 0.5155 nan 0.1632 -0.0001
160 0.5142 nan 0.1632 -0.0001
180 0.5133 nan 0.1632 -0.0001
200 0.5122 nan 0.1632 -0.0001
220 0.5118 nan 0.1632 -0.0001
240 0.5106 nan 0.1632 -0.0001
260 0.5097 nan 0.1632 -0.0001
280 0.5086 nan 0.1632 -0.0001
300 0.5073 nan 0.1632 -0.0001
320 0.5069 nan 0.1632 -0.0002
329 0.5064 nan 0.1632 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5304 nan 0.1648 0.0003
2 0.5299 nan 0.1648 0.0001
3 0.5295 nan 0.1648 0.0001
4 0.5290 nan 0.1648 0.0002
5 0.5288 nan 0.1648 -0.0000
6 0.5285 nan 0.1648 0.0001
7 0.5282 nan 0.1648 -0.0001
8 0.5280 nan 0.1648 -0.0000
9 0.5277 nan 0.1648 -0.0000
10 0.5275 nan 0.1648 -0.0001
20 0.5258 nan 0.1648 -0.0001
40 0.5235 nan 0.1648 -0.0001
60 0.5213 nan 0.1648 -0.0000
80 0.5192 nan 0.1648 -0.0000
100 0.5175 nan 0.1648 -0.0002
120 0.5158 nan 0.1648 -0.0002
140 0.5145 nan 0.1648 -0.0000
160 0.5145 nan 0.1648 -0.0001
180 0.5141 nan 0.1648 -0.0010
200 0.5139 nan 0.1648 -0.0001
220 0.5127 nan 0.1648 -0.0000
240 0.5117 nan 0.1648 -0.0001
260 0.5114 nan 0.1648 -0.0001
280 0.5101 nan 0.1648 -0.0002
300 0.5100 nan 0.1648 -0.0009
320 0.5096 nan 0.1648 -0.0000
340 0.5077 nan 0.1648 -0.0001
360 0.5071 nan 0.1648 -0.0001
380 0.5061 nan 0.1648 -0.0001
400 0.5053 nan 0.1648 -0.0001
420 0.5043 nan 0.1648 -0.0002
440 0.5041 nan 0.1648 -0.0001
460 0.5031 nan 0.1648 -0.0001
480 0.5026 nan 0.1648 -0.0001
500 0.5013 nan 0.1648 -0.0001
520 0.5002 nan 0.1648 -0.0001
540 0.5002 nan 0.1648 -0.0001
560 0.4998 nan 0.1648 -0.0001
580 0.4993 nan 0.1648 -0.0001
600 0.4979 nan 0.1648 -0.0001
620 0.4973 nan 0.1648 -0.0002
640 0.4968 nan 0.1648 -0.0001
660 0.4961 nan 0.1648 -0.0001
680 0.4952 nan 0.1648 -0.0001
700 0.4945 nan 0.1648 -0.0002
720 0.4938 nan 0.1648 -0.0002
740 0.4939 nan 0.1648 -0.0002
760 0.4937 nan 0.1648 -0.0001
776 0.4934 nan 0.1648 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5307 nan 0.1655 0.0003
2 0.5302 nan 0.1655 0.0001
3 0.5299 nan 0.1655 0.0001
4 0.5296 nan 0.1655 0.0001
5 0.5294 nan 0.1655 -0.0000
6 0.5293 nan 0.1655 0.0000
7 0.5290 nan 0.1655 0.0000
8 0.5289 nan 0.1655 -0.0000
9 0.5287 nan 0.1655 -0.0001
10 0.5284 nan 0.1655 0.0000
20 0.5270 nan 0.1655 -0.0000
40 0.5259 nan 0.1655 -0.0001
60 0.5246 nan 0.1655 -0.0001
80 0.5233 nan 0.1655 -0.0000
100 0.5227 nan 0.1655 -0.0001
120 0.5215 nan 0.1655 -0.0001
140 0.5205 nan 0.1655 0.0000
160 0.5194 nan 0.1655 -0.0002
180 0.5190 nan 0.1655 -0.0002
200 0.5180 nan 0.1655 -0.0000
220 0.5179 nan 0.1655 -0.0006
240 0.5173 nan 0.1655 -0.0000
260 0.5170 nan 0.1655 -0.0001
280 0.5167 nan 0.1655 -0.0001
300 0.5158 nan 0.1655 -0.0001
320 0.5158 nan 0.1655 -0.0001
340 0.5149 nan 0.1655 -0.0001
360 0.5143 nan 0.1655 -0.0001
380 0.5137 nan 0.1655 -0.0001
400 0.5136 nan 0.1655 -0.0001
420 0.5126 nan 0.1655 -0.0001
440 0.5127 nan 0.1655 -0.0001
460 0.5124 nan 0.1655 -0.0001
480 0.5116 nan 0.1655 -0.0000
500 0.5109 nan 0.1655 -0.0001
520 0.5106 nan 0.1655 -0.0001
540 0.5106 nan 0.1655 -0.0000
560 0.5103 nan 0.1655 -0.0000
580 0.5104 nan 0.1655 -0.0001
600 0.5102 nan 0.1655 -0.0000
620 0.5096 nan 0.1655 -0.0001
640 0.5097 nan 0.1655 -0.0001
660 0.5088 nan 0.1655 -0.0002
680 0.5085 nan 0.1655 -0.0000
700 0.5078 nan 0.1655 -0.0001
720 0.5072 nan 0.1655 -0.0000
740 0.5084 nan 0.1655 -0.0001
760 0.5081 nan 0.1655 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5305 nan 0.1700 0.0002
2 0.5299 nan 0.1700 0.0001
3 0.5293 nan 0.1700 0.0001
4 0.5289 nan 0.1700 0.0000
5 0.5285 nan 0.1700 -0.0000
6 0.5283 nan 0.1700 -0.0001
7 0.5279 nan 0.1700 0.0001
8 0.5280 nan 0.1700 -0.0005
9 0.5277 nan 0.1700 -0.0001
10 0.5284 nan 0.1700 -0.0012
20 0.5263 nan 0.1700 -0.0000
40 0.5241 nan 0.1700 -0.0001
60 0.5236 nan 0.1700 -0.0010
80 0.5210 nan 0.1700 -0.0000
100 0.5206 nan 0.1700 -0.0000
120 0.5184 nan 0.1700 -0.0001
140 0.5174 nan 0.1700 -0.0001
160 0.5167 nan 0.1700 -0.0000
180 0.5143 nan 0.1700 -0.0001
200 0.5136 nan 0.1700 -0.0003
220 0.5116 nan 0.1700 -0.0001
240 0.5103 nan 0.1700 -0.0004
260 0.5083 nan 0.1700 -0.0000
280 0.5071 nan 0.1700 -0.0001
300 0.5058 nan 0.1700 -0.0001
320 0.5048 nan 0.1700 -0.0003
340 0.5033 nan 0.1700 -0.0001
360 0.5027 nan 0.1700 -0.0000
380 0.5020 nan 0.1700 -0.0001
400 0.5014 nan 0.1700 -0.0000
420 0.5011 nan 0.1700 -0.0001
440 0.5002 nan 0.1700 -0.0000
460 0.5000 nan 0.1700 -0.0002
480 0.4985 nan 0.1700 -0.0002
500 0.4983 nan 0.1700 0.0000
520 0.4973 nan 0.1700 -0.0001
540 0.4958 nan 0.1700 -0.0001
560 0.4956 nan 0.1700 -0.0000
580 0.4950 nan 0.1700 -0.0003
600 0.4938 nan 0.1700 -0.0001
620 0.4936 nan 0.1700 -0.0004
640 0.4926 nan 0.1700 -0.0000
660 0.4927 nan 0.1700 -0.0000
680 0.4926 nan 0.1700 -0.0006
700 0.4915 nan 0.1700 -0.0002
720 0.4906 nan 0.1700 -0.0001
740 0.4901 nan 0.1700 -0.0001
760 0.4896 nan 0.1700 -0.0001
780 0.4884 nan 0.1700 -0.0001
800 0.4874 nan 0.1700 -0.0001
820 0.4860 nan 0.1700 -0.0001
840 0.4850 nan 0.1700 -0.0001
860 0.4846 nan 0.1700 -0.0001
880 0.4850 nan 0.1700 -0.0001
900 0.4843 nan 0.1700 -0.0001
920 0.4830 nan 0.1700 -0.0001
940 0.4832 nan 0.1700 -0.0001
960 0.4824 nan 0.1700 -0.0001
964 0.4821 nan 0.1700 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5305 nan 0.1736 0.0003
2 0.5299 nan 0.1736 0.0001
3 0.5296 nan 0.1736 0.0001
4 0.5294 nan 0.1736 -0.0000
5 0.5290 nan 0.1736 0.0001
6 0.5288 nan 0.1736 0.0000
7 0.5287 nan 0.1736 -0.0000
8 0.5285 nan 0.1736 0.0000
9 0.5284 nan 0.1736 -0.0001
10 0.5282 nan 0.1736 -0.0000
20 0.5271 nan 0.1736 -0.0000
40 0.5258 nan 0.1736 -0.0001
60 0.5246 nan 0.1736 -0.0002
80 0.5248 nan 0.1736 -0.0000
100 0.5236 nan 0.1736 -0.0000
120 0.5228 nan 0.1736 -0.0001
140 0.5221 nan 0.1736 -0.0001
160 0.5211 nan 0.1736 -0.0000
180 0.5202 nan 0.1736 -0.0001
200 0.5195 nan 0.1736 -0.0001
220 0.5190 nan 0.1736 -0.0001
235 0.5183 nan 0.1736 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5308 nan 0.1769 0.0001
2 0.5302 nan 0.1769 0.0002
3 0.5299 nan 0.1769 0.0000
4 0.5296 nan 0.1769 -0.0000
5 0.5292 nan 0.1769 0.0001
6 0.5290 nan 0.1769 -0.0000
7 0.5287 nan 0.1769 0.0000
8 0.5285 nan 0.1769 -0.0000
9 0.5284 nan 0.1769 0.0000
10 0.5282 nan 0.1769 -0.0000
20 0.5270 nan 0.1769 -0.0000
40 0.5254 nan 0.1769 -0.0001
60 0.5241 nan 0.1769 -0.0000
80 0.5226 nan 0.1769 -0.0000
100 0.5214 nan 0.1769 -0.0002
120 0.5203 nan 0.1769 -0.0001
140 0.5201 nan 0.1769 -0.0000
160 0.5192 nan 0.1769 -0.0000
180 0.5182 nan 0.1769 -0.0001
200 0.5178 nan 0.1769 -0.0001
220 0.5170 nan 0.1769 -0.0001
240 0.5163 nan 0.1769 0.0000
260 0.5160 nan 0.1769 -0.0001
280 0.5153 nan 0.1769 -0.0005
300 0.5151 nan 0.1769 -0.0001
320 0.5141 nan 0.1769 -0.0001
340 0.5137 nan 0.1769 -0.0002
360 0.5129 nan 0.1769 -0.0001
380 0.5125 nan 0.1769 -0.0001
400 0.5124 nan 0.1769 -0.0000
420 0.5117 nan 0.1769 -0.0001
440 0.5109 nan 0.1769 -0.0001
460 0.5108 nan 0.1769 -0.0001
480 0.5102 nan 0.1769 -0.0000
500 0.5104 nan 0.1769 -0.0003
520 0.5097 nan 0.1769 -0.0001
540 0.5097 nan 0.1769 -0.0001
560 0.5089 nan 0.1769 -0.0000
580 0.5094 nan 0.1769 -0.0001
600 0.5085 nan 0.1769 -0.0001
620 0.5078 nan 0.1769 -0.0001
640 0.5078 nan 0.1769 -0.0001
660 0.5074 nan 0.1769 -0.0001
680 0.5069 nan 0.1769 -0.0001
700 0.5067 nan 0.1769 0.0000
720 0.5063 nan 0.1769 -0.0001
740 0.5058 nan 0.1769 -0.0001
760 0.5054 nan 0.1769 -0.0000
780 0.5045 nan 0.1769 -0.0001
800 0.5040 nan 0.1769 -0.0001
820 0.5036 nan 0.1769 -0.0001
840 0.5039 nan 0.1769 -0.0009
860 0.5040 nan 0.1769 -0.0001
880 0.5034 nan 0.1769 0.0000
900 0.5026 nan 0.1769 -0.0001
920 0.5020 nan 0.1769 -0.0001
940 0.5032 nan 0.1769 -0.0004
945 0.5031 nan 0.1769 -0.0004
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5307 nan 0.1812 0.0001
2 0.5301 nan 0.1812 0.0001
3 0.5300 nan 0.1812 -0.0000
4 0.5298 nan 0.1812 -0.0000
5 0.5296 nan 0.1812 -0.0000
6 0.5294 nan 0.1812 -0.0000
7 0.5292 nan 0.1812 0.0000
8 0.5290 nan 0.1812 0.0000
9 0.5285 nan 0.1812 0.0001
10 0.5284 nan 0.1812 -0.0000
20 0.5283 nan 0.1812 -0.0000
40 0.5268 nan 0.1812 -0.0001
60 0.5260 nan 0.1812 -0.0001
80 0.5252 nan 0.1812 -0.0000
100 0.5244 nan 0.1812 -0.0001
120 0.5238 nan 0.1812 -0.0000
140 0.5231 nan 0.1812 -0.0000
160 0.5228 nan 0.1812 -0.0001
180 0.5226 nan 0.1812 -0.0001
200 0.5218 nan 0.1812 -0.0001
220 0.5215 nan 0.1812 -0.0000
240 0.5211 nan 0.1812 -0.0000
260 0.5207 nan 0.1812 -0.0001
280 0.5206 nan 0.1812 -0.0001
300 0.5200 nan 0.1812 -0.0000
320 0.5193 nan 0.1812 -0.0001
340 0.5189 nan 0.1812 -0.0001
360 0.5195 nan 0.1812 -0.0001
380 0.5187 nan 0.1812 -0.0000
400 0.5183 nan 0.1812 -0.0001
420 0.5188 nan 0.1812 -0.0001
440 0.5186 nan 0.1812 -0.0001
460 0.5182 nan 0.1812 -0.0000
480 0.5190 nan 0.1812 0.0001
500 0.5181 nan 0.1812 -0.0001
520 0.5178 nan 0.1812 -0.0001
540 0.5173 nan 0.1812 -0.0001
560 0.5170 nan 0.1812 -0.0001
580 0.5167 nan 0.1812 -0.0000
600 0.5164 nan 0.1812 -0.0001
620 0.5163 nan 0.1812 -0.0001
632 0.5162 nan 0.1812 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5307 nan 0.1823 0.0002
2 0.5302 nan 0.1823 0.0001
3 0.5294 nan 0.1823 0.0003
4 0.5292 nan 0.1823 0.0000
5 0.5290 nan 0.1823 0.0001
6 0.5287 nan 0.1823 0.0001
7 0.5285 nan 0.1823 -0.0000
8 0.5284 nan 0.1823 0.0001
9 0.5283 nan 0.1823 -0.0001
10 0.5282 nan 0.1823 -0.0000
20 0.5269 nan 0.1823 -0.0001
40 0.5255 nan 0.1823 -0.0001
60 0.5244 nan 0.1823 -0.0001
80 0.5242 nan 0.1823 -0.0001
100 0.5231 nan 0.1823 -0.0002
120 0.5223 nan 0.1823 -0.0005
140 0.5219 nan 0.1823 -0.0002
157 0.5208 nan 0.1823 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5305 nan 0.1829 0.0003
2 0.5299 nan 0.1829 0.0002
3 0.5296 nan 0.1829 0.0001
4 0.5293 nan 0.1829 0.0001
5 0.5289 nan 0.1829 0.0001
6 0.5287 nan 0.1829 -0.0000
7 0.5284 nan 0.1829 0.0001
8 0.5282 nan 0.1829 -0.0000
9 0.5280 nan 0.1829 -0.0000
10 0.5279 nan 0.1829 -0.0001
20 0.5267 nan 0.1829 -0.0001
40 0.5254 nan 0.1829 -0.0000
60 0.5256 nan 0.1829 0.0000
80 0.5238 nan 0.1829 -0.0000
100 0.5227 nan 0.1829 -0.0001
120 0.5215 nan 0.1829 -0.0001
140 0.5207 nan 0.1829 -0.0001
160 0.5200 nan 0.1829 -0.0001
180 0.5192 nan 0.1829 -0.0001
192 0.5189 nan 0.1829 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.1856 0.0000
2 0.5300 nan 0.1856 0.0004
3 0.5294 nan 0.1856 0.0002
4 0.5291 nan 0.1856 0.0000
5 0.5287 nan 0.1856 0.0001
6 0.5284 nan 0.1856 0.0000
7 0.5281 nan 0.1856 -0.0000
8 0.5278 nan 0.1856 -0.0001
9 0.5276 nan 0.1856 -0.0001
10 0.5275 nan 0.1856 -0.0001
20 0.5262 nan 0.1856 -0.0002
40 0.5244 nan 0.1856 -0.0001
60 0.5233 nan 0.1856 -0.0001
80 0.5217 nan 0.1856 -0.0001
100 0.5205 nan 0.1856 -0.0001
120 0.5209 nan 0.1856 -0.0000
140 0.5203 nan 0.1856 -0.0001
160 0.5188 nan 0.1856 -0.0001
180 0.5171 nan 0.1856 -0.0001
200 0.5160 nan 0.1856 -0.0001
220 0.5151 nan 0.1856 -0.0001
240 0.5147 nan 0.1856 -0.0001
260 0.5135 nan 0.1856 -0.0001
280 0.5126 nan 0.1856 -0.0001
300 0.5119 nan 0.1856 -0.0001
320 0.5110 nan 0.1856 -0.0002
340 0.5110 nan 0.1856 -0.0002
360 0.5101 nan 0.1856 -0.0001
380 0.5097 nan 0.1856 -0.0001
400 0.5087 nan 0.1856 -0.0001
420 0.5075 nan 0.1856 -0.0001
440 0.5067 nan 0.1856 -0.0001
460 0.5061 nan 0.1856 -0.0001
480 0.5053 nan 0.1856 -0.0001
500 0.5053 nan 0.1856 -0.0001
520 0.5065 nan 0.1856 -0.0002
540 0.5049 nan 0.1856 -0.0000
560 0.5031 nan 0.1856 -0.0001
580 0.5023 nan 0.1856 -0.0002
600 0.5021 nan 0.1856 -0.0001
620 0.5024 nan 0.1856 -0.0000
640 0.5022 nan 0.1856 -0.0001
660 0.5016 nan 0.1856 -0.0002
680 0.5011 nan 0.1856 -0.0006
700 0.5009 nan 0.1856 -0.0011
720 0.5000 nan 0.1856 -0.0002
740 0.4996 nan 0.1856 -0.0001
760 0.4990 nan 0.1856 -0.0001
780 0.4983 nan 0.1856 -0.0005
800 0.4974 nan 0.1856 -0.0001
820 0.4972 nan 0.1856 -0.0001
840 0.4971 nan 0.1856 -0.0001
860 0.4963 nan 0.1856 -0.0001
880 0.4955 nan 0.1856 -0.0001
900 0.4948 nan 0.1856 -0.0001
908 0.4946 nan 0.1856 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5306 nan 0.1858 0.0002
2 0.5299 nan 0.1858 0.0001
3 0.5294 nan 0.1858 0.0002
4 0.5290 nan 0.1858 0.0001
5 0.5286 nan 0.1858 0.0001
6 0.5285 nan 0.1858 -0.0001
7 0.5283 nan 0.1858 -0.0001
8 0.5279 nan 0.1858 -0.0000
9 0.5278 nan 0.1858 -0.0000
10 0.5279 nan 0.1858 -0.0004
20 0.5265 nan 0.1858 -0.0000
40 0.5244 nan 0.1858 -0.0001
60 0.5229 nan 0.1858 -0.0001
80 0.5212 nan 0.1858 -0.0000
100 0.5192 nan 0.1858 -0.0001
120 0.5187 nan 0.1858 -0.0001
140 0.5170 nan 0.1858 -0.0001
160 0.5154 nan 0.1858 -0.0001
180 0.5141 nan 0.1858 -0.0000
200 0.5129 nan 0.1858 -0.0001
220 0.5129 nan 0.1858 -0.0000
240 0.5116 nan 0.1858 -0.0001
260 0.5111 nan 0.1858 -0.0001
280 0.5097 nan 0.1858 -0.0001
300 0.5087 nan 0.1858 -0.0002
320 0.5075 nan 0.1858 -0.0002
340 0.5073 nan 0.1858 -0.0002
351 0.5072 nan 0.1858 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5304 nan 0.1868 0.0003
2 0.5298 nan 0.1868 0.0002
3 0.5294 nan 0.1868 0.0001
4 0.5290 nan 0.1868 0.0001
5 0.5297 nan 0.1868 -0.0012
6 0.5295 nan 0.1868 -0.0001
7 0.5293 nan 0.1868 -0.0000
8 0.5291 nan 0.1868 -0.0000
9 0.5289 nan 0.1868 0.0000
10 0.5288 nan 0.1868 -0.0001
20 0.5277 nan 0.1868 -0.0001
40 0.5264 nan 0.1868 -0.0000
60 0.5249 nan 0.1868 -0.0001
80 0.5237 nan 0.1868 -0.0001
100 0.5232 nan 0.1868 -0.0000
120 0.5229 nan 0.1868 -0.0001
140 0.5225 nan 0.1868 -0.0001
160 0.5217 nan 0.1868 -0.0000
180 0.5213 nan 0.1868 -0.0001
200 0.5207 nan 0.1868 -0.0001
220 0.5200 nan 0.1868 -0.0000
240 0.5191 nan 0.1868 -0.0001
260 0.5183 nan 0.1868 -0.0001
280 0.5186 nan 0.1868 -0.0001
300 0.5177 nan 0.1868 -0.0001
320 0.5173 nan 0.1868 -0.0000
340 0.5167 nan 0.1868 -0.0001
360 0.5156 nan 0.1868 -0.0001
380 0.5146 nan 0.1868 -0.0001
400 0.5140 nan 0.1868 -0.0001
420 0.5134 nan 0.1868 -0.0001
440 0.5137 nan 0.1868 0.0001
460 0.5132 nan 0.1868 -0.0001
480 0.5125 nan 0.1868 -0.0001
500 0.5121 nan 0.1868 -0.0001
520 0.5126 nan 0.1868 -0.0001
540 0.5129 nan 0.1868 -0.0001
560 0.5126 nan 0.1868 -0.0001
580 0.5127 nan 0.1868 -0.0001
600 0.5128 nan 0.1868 -0.0000
620 0.5118 nan 0.1868 -0.0001
640 0.5111 nan 0.1868 -0.0001
660 0.5109 nan 0.1868 -0.0001
680 0.5102 nan 0.1868 -0.0000
700 0.5103 nan 0.1868 -0.0009
720 0.5105 nan 0.1868 -0.0001
740 0.5100 nan 0.1868 -0.0001
760 0.5104 nan 0.1868 -0.0001
780 0.5106 nan 0.1868 -0.0001
800 0.5097 nan 0.1868 -0.0001
820 0.5092 nan 0.1868 -0.0001
840 0.5089 nan 0.1868 -0.0001
860 0.5090 nan 0.1868 0.0001
880 0.5078 nan 0.1868 -0.0001
900 0.5072 nan 0.1868 -0.0001
920 0.5072 nan 0.1868 -0.0002
940 0.5065 nan 0.1868 -0.0001
960 0.5070 nan 0.1868 -0.0001
964 0.5068 nan 0.1868 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5305 nan 0.1868 0.0002
2 0.5298 nan 0.1868 0.0002
3 0.5291 nan 0.1868 0.0003
4 0.5287 nan 0.1868 0.0000
5 0.5282 nan 0.1868 0.0001
6 0.5279 nan 0.1868 -0.0000
7 0.5277 nan 0.1868 -0.0001
8 0.5275 nan 0.1868 -0.0000
9 0.5272 nan 0.1868 -0.0001
10 0.5268 nan 0.1868 0.0000
20 0.5251 nan 0.1868 -0.0001
40 0.5226 nan 0.1868 -0.0001
60 0.5204 nan 0.1868 -0.0000
80 0.5193 nan 0.1868 -0.0001
100 0.5172 nan 0.1868 -0.0001
120 0.5156 nan 0.1868 -0.0002
140 0.5142 nan 0.1868 -0.0002
160 0.5126 nan 0.1868 -0.0001
180 0.5118 nan 0.1868 -0.0001
200 0.5107 nan 0.1868 -0.0001
220 0.5097 nan 0.1868 -0.0002
240 0.5089 nan 0.1868 -0.0001
260 0.5079 nan 0.1868 -0.0002
280 0.5071 nan 0.1868 -0.0002
300 0.5063 nan 0.1868 -0.0001
320 0.5053 nan 0.1868 -0.0001
340 0.5041 nan 0.1868 -0.0001
360 0.5037 nan 0.1868 -0.0001
380 0.5027 nan 0.1868 -0.0002
400 0.5029 nan 0.1868 -0.0001
420 0.5015 nan 0.1868 -0.0002
440 0.5008 nan 0.1868 -0.0001
460 0.5000 nan 0.1868 -0.0002
480 0.4993 nan 0.1868 -0.0002
500 0.4985 nan 0.1868 -0.0002
520 0.4976 nan 0.1868 -0.0002
540 0.4974 nan 0.1868 -0.0002
560 0.4967 nan 0.1868 -0.0002
561 0.4967 nan 0.1868 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5303 nan 0.1877 0.0003
2 0.5298 nan 0.1877 0.0001
3 0.5295 nan 0.1877 0.0000
4 0.5291 nan 0.1877 -0.0000
5 0.5289 nan 0.1877 0.0000
6 0.5288 nan 0.1877 -0.0001
7 0.5286 nan 0.1877 -0.0000
8 0.5285 nan 0.1877 -0.0000
9 0.5284 nan 0.1877 -0.0001
10 0.5283 nan 0.1877 -0.0000
20 0.5270 nan 0.1877 0.0000
40 0.5259 nan 0.1877 0.0000
60 0.5250 nan 0.1877 -0.0001
80 0.5236 nan 0.1877 -0.0002
100 0.5226 nan 0.1877 -0.0000
120 0.5216 nan 0.1877 -0.0001
140 0.5205 nan 0.1877 -0.0000
160 0.5197 nan 0.1877 -0.0001
180 0.5191 nan 0.1877 -0.0000
200 0.5184 nan 0.1877 -0.0001
220 0.5181 nan 0.1877 -0.0001
240 0.5176 nan 0.1877 -0.0002
260 0.5169 nan 0.1877 -0.0001
280 0.5163 nan 0.1877 -0.0001
300 0.5159 nan 0.1877 -0.0001
320 0.5155 nan 0.1877 -0.0001
340 0.5149 nan 0.1877 -0.0002
360 0.5142 nan 0.1877 -0.0001
380 0.5137 nan 0.1877 -0.0001
400 0.5141 nan 0.1877 -0.0001
420 0.5132 nan 0.1877 -0.0001
425 0.5129 nan 0.1877 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5309 nan 0.1908 0.0001
2 0.5306 nan 0.1908 0.0001
3 0.5303 nan 0.1908 0.0001
4 0.5300 nan 0.1908 0.0000
5 0.5298 nan 0.1908 0.0001
6 0.5298 nan 0.1908 -0.0000
7 0.5297 nan 0.1908 0.0000
8 0.5295 nan 0.1908 0.0000
9 0.5294 nan 0.1908 0.0000
10 0.5294 nan 0.1908 -0.0000
20 0.5286 nan 0.1908 -0.0000
40 0.5280 nan 0.1908 -0.0000
60 0.5277 nan 0.1908 -0.0001
78 0.5274 nan 0.1908 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5305 nan 0.1913 0.0002
2 0.5299 nan 0.1913 0.0001
3 0.5295 nan 0.1913 0.0000
4 0.5292 nan 0.1913 0.0001
5 0.5289 nan 0.1913 0.0000
6 0.5287 nan 0.1913 -0.0001
7 0.5285 nan 0.1913 -0.0000
8 0.5279 nan 0.1913 0.0002
9 0.5277 nan 0.1913 -0.0001
10 0.5276 nan 0.1913 -0.0002
20 0.5266 nan 0.1913 -0.0001
40 0.5259 nan 0.1913 0.0001
60 0.5232 nan 0.1913 -0.0001
80 0.5220 nan 0.1913 -0.0002
100 0.5203 nan 0.1913 -0.0001
120 0.5201 nan 0.1913 -0.0001
140 0.5204 nan 0.1913 -0.0002
160 0.5186 nan 0.1913 -0.0001
180 0.5193 nan 0.1913 0.0001
200 0.5179 nan 0.1913 -0.0001
212 0.5168 nan 0.1913 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5307 nan 0.1934 0.0002
2 0.5302 nan 0.1934 0.0001
3 0.5299 nan 0.1934 0.0000
4 0.5295 nan 0.1934 0.0001
5 0.5293 nan 0.1934 0.0000
6 0.5290 nan 0.1934 0.0000
7 0.5289 nan 0.1934 0.0000
8 0.5288 nan 0.1934 -0.0000
9 0.5287 nan 0.1934 -0.0001
10 0.5285 nan 0.1934 -0.0000
20 0.5280 nan 0.1934 -0.0001
40 0.5268 nan 0.1934 -0.0001
60 0.5259 nan 0.1934 -0.0000
80 0.5252 nan 0.1934 -0.0001
100 0.5245 nan 0.1934 -0.0000
120 0.5237 nan 0.1934 -0.0001
140 0.5233 nan 0.1934 -0.0001
160 0.5227 nan 0.1934 -0.0000
180 0.5223 nan 0.1934 -0.0001
200 0.5218 nan 0.1934 -0.0001
220 0.5228 nan 0.1934 -0.0001
240 0.5221 nan 0.1934 -0.0001
260 0.5227 nan 0.1934 -0.0001
280 0.5221 nan 0.1934 -0.0000
300 0.5217 nan 0.1934 -0.0000
320 0.5214 nan 0.1934 -0.0001
340 0.5211 nan 0.1934 -0.0001
360 0.5207 nan 0.1934 -0.0001
380 0.5202 nan 0.1934 -0.0001
400 0.5199 nan 0.1934 -0.0001
420 0.5196 nan 0.1934 -0.0000
440 0.5192 nan 0.1934 -0.0001
460 0.5190 nan 0.1934 -0.0001
480 0.5188 nan 0.1934 -0.0001
500 0.5183 nan 0.1934 -0.0000
520 0.5181 nan 0.1934 -0.0000
540 0.5177 nan 0.1934 -0.0001
555 0.5175 nan 0.1934 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5305 nan 0.1936 0.0002
2 0.5300 nan 0.1936 0.0001
3 0.5297 nan 0.1936 0.0000
4 0.5292 nan 0.1936 0.0000
5 0.5289 nan 0.1936 -0.0001
6 0.5285 nan 0.1936 0.0001
7 0.5283 nan 0.1936 -0.0001
8 0.5280 nan 0.1936 0.0000
9 0.5277 nan 0.1936 -0.0000
10 0.5275 nan 0.1936 0.0000
20 0.5261 nan 0.1936 -0.0001
40 0.5242 nan 0.1936 -0.0000
60 0.5217 nan 0.1936 -0.0000
80 0.5207 nan 0.1936 -0.0001
100 0.5196 nan 0.1936 -0.0002
120 0.5181 nan 0.1936 -0.0001
140 0.5173 nan 0.1936 -0.0001
160 0.5167 nan 0.1936 -0.0012
180 0.5157 nan 0.1936 -0.0003
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5305 nan 0.1961 0.0002
2 0.5298 nan 0.1961 0.0003
3 0.5294 nan 0.1961 -0.0000
4 0.5290 nan 0.1961 0.0000
5 0.5286 nan 0.1961 0.0001
6 0.5285 nan 0.1961 -0.0001
7 0.5283 nan 0.1961 -0.0001
8 0.5280 nan 0.1961 0.0000
9 0.5281 nan 0.1961 -0.0007
10 0.5278 nan 0.1961 0.0000
20 0.5268 nan 0.1961 -0.0000
40 0.5241 nan 0.1961 -0.0001
60 0.5222 nan 0.1961 -0.0001
80 0.5205 nan 0.1961 -0.0001
100 0.5188 nan 0.1961 -0.0001
120 0.5174 nan 0.1961 -0.0002
140 0.5167 nan 0.1961 -0.0000
160 0.5154 nan 0.1961 -0.0001
180 0.5144 nan 0.1961 -0.0001
200 0.5135 nan 0.1961 -0.0001
220 0.5122 nan 0.1961 -0.0001
240 0.5114 nan 0.1961 -0.0001
260 0.5105 nan 0.1961 -0.0001
280 0.5097 nan 0.1961 -0.0002
300 0.5101 nan 0.1961 -0.0001
320 0.5091 nan 0.1961 -0.0001
340 0.5081 nan 0.1961 -0.0002
360 0.5073 nan 0.1961 -0.0001
380 0.5064 nan 0.1961 -0.0001
400 0.5054 nan 0.1961 -0.0001
420 0.5047 nan 0.1961 -0.0001
440 0.5052 nan 0.1961 -0.0002
460 0.5041 nan 0.1961 -0.0001
480 0.5032 nan 0.1961 0.0001
500 0.5025 nan 0.1961 -0.0002
520 0.5019 nan 0.1961 -0.0001
540 0.5027 nan 0.1961 -0.0001
560 0.5025 nan 0.1961 -0.0001
580 0.5025 nan 0.1961 -0.0001
600 0.5019 nan 0.1961 -0.0001
620 0.5012 nan 0.1961 -0.0002
640 0.5018 nan 0.1961 -0.0001
660 0.5008 nan 0.1961 -0.0001
680 0.5003 nan 0.1961 -0.0001
700 0.4994 nan 0.1961 -0.0001
720 0.5006 nan 0.1961 -0.0001
740 0.4992 nan 0.1961 -0.0001
760 0.4989 nan 0.1961 -0.0001
780 0.4984 nan 0.1961 -0.0002
800 0.4974 nan 0.1961 -0.0002
820 0.4969 nan 0.1961 -0.0001
840 0.4966 nan 0.1961 -0.0001
845 0.4965 nan 0.1961 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5306 nan 0.1962 0.0002
2 0.5300 nan 0.1962 0.0002
3 0.5296 nan 0.1962 0.0001
4 0.5293 nan 0.1962 0.0000
5 0.5291 nan 0.1962 0.0000
6 0.5289 nan 0.1962 -0.0000
7 0.5283 nan 0.1962 0.0001
8 0.5281 nan 0.1962 -0.0000
9 0.5280 nan 0.1962 -0.0001
10 0.5277 nan 0.1962 0.0000
20 0.5265 nan 0.1962 -0.0000
40 0.5252 nan 0.1962 -0.0001
60 0.5242 nan 0.1962 -0.0001
80 0.5234 nan 0.1962 -0.0001
100 0.5221 nan 0.1962 -0.0001
120 0.5217 nan 0.1962 -0.0001
140 0.5207 nan 0.1962 -0.0001
160 0.5210 nan 0.1962 -0.0000
180 0.5201 nan 0.1962 -0.0001
200 0.5191 nan 0.1962 -0.0001
220 0.5186 nan 0.1962 -0.0002
237 0.5179 nan 0.1962 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5305 nan 0.1983 0.0002
2 0.5299 nan 0.1983 0.0002
3 0.5296 nan 0.1983 0.0000
4 0.5292 nan 0.1983 0.0000
5 0.5289 nan 0.1983 -0.0000
6 0.5285 nan 0.1983 -0.0001
7 0.5284 nan 0.1983 -0.0000
8 0.5281 nan 0.1983 -0.0000
9 0.5279 nan 0.1983 0.0001
10 0.5278 nan 0.1983 -0.0000
20 0.5268 nan 0.1983 -0.0001
40 0.5254 nan 0.1983 0.0000
60 0.5243 nan 0.1983 0.0000
80 0.5231 nan 0.1983 -0.0001
100 0.5222 nan 0.1983 -0.0001
120 0.5220 nan 0.1983 -0.0001
140 0.5216 nan 0.1983 -0.0001
160 0.5205 nan 0.1983 -0.0001
180 0.5196 nan 0.1983 -0.0002
200 0.5188 nan 0.1983 -0.0001
220 0.5181 nan 0.1983 -0.0001
240 0.5175 nan 0.1983 -0.0002
260 0.5170 nan 0.1983 -0.0001
280 0.5165 nan 0.1983 -0.0001
300 0.5158 nan 0.1983 -0.0001
320 0.5152 nan 0.1983 -0.0001
340 0.5148 nan 0.1983 -0.0001
360 0.5141 nan 0.1983 -0.0001
380 0.5135 nan 0.1983 -0.0001
400 0.5131 nan 0.1983 -0.0001
420 0.5125 nan 0.1983 -0.0002
440 0.5118 nan 0.1983 -0.0001
460 0.5111 nan 0.1983 -0.0001
480 0.5108 nan 0.1983 -0.0001
500 0.5104 nan 0.1983 -0.0001
520 0.5105 nan 0.1983 -0.0001
540 0.5100 nan 0.1983 -0.0000
560 0.5095 nan 0.1983 -0.0001
580 0.5092 nan 0.1983 -0.0001
600 0.5085 nan 0.1983 -0.0001
620 0.5084 nan 0.1983 -0.0001
640 0.5095 nan 0.1983 -0.0001
660 0.5088 nan 0.1983 -0.0001
680 0.5085 nan 0.1983 -0.0001
700 0.5091 nan 0.1983 -0.0001
720 0.5082 nan 0.1983 -0.0001
740 0.5077 nan 0.1983 -0.0001
760 0.5073 nan 0.1983 -0.0001
780 0.5069 nan 0.1983 -0.0001
800 0.5066 nan 0.1983 -0.0001
820 0.5061 nan 0.1983 -0.0001
837 0.5057 nan 0.1983 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5269 nan 0.0105 0.0000
2 0.5268 nan 0.0105 0.0000
3 0.5268 nan 0.0105 0.0000
4 0.5268 nan 0.0105 0.0000
5 0.5267 nan 0.0105 0.0000
6 0.5267 nan 0.0105 0.0000
7 0.5267 nan 0.0105 0.0000
8 0.5266 nan 0.0105 0.0000
9 0.5266 nan 0.0105 0.0000
10 0.5265 nan 0.0105 0.0000
20 0.5263 nan 0.0105 0.0000
40 0.5258 nan 0.0105 -0.0000
60 0.5253 nan 0.0105 0.0000
80 0.5249 nan 0.0105 -0.0000
100 0.5245 nan 0.0105 -0.0000
120 0.5242 nan 0.0105 -0.0000
140 0.5240 nan 0.0105 -0.0000
160 0.5237 nan 0.0105 -0.0000
180 0.5235 nan 0.0105 -0.0000
200 0.5233 nan 0.0105 -0.0000
220 0.5230 nan 0.0105 -0.0000
240 0.5228 nan 0.0105 -0.0000
260 0.5226 nan 0.0105 -0.0000
280 0.5222 nan 0.0105 -0.0000
300 0.5221 nan 0.0105 -0.0000
320 0.5219 nan 0.0105 -0.0000
340 0.5216 nan 0.0105 -0.0000
360 0.5215 nan 0.0105 -0.0000
380 0.5213 nan 0.0105 -0.0000
400 0.5211 nan 0.0105 -0.0000
420 0.5210 nan 0.0105 -0.0000
440 0.5208 nan 0.0105 -0.0000
460 0.5207 nan 0.0105 -0.0000
480 0.5205 nan 0.0105 -0.0000
500 0.5202 nan 0.0105 -0.0000
520 0.5201 nan 0.0105 -0.0000
540 0.5199 nan 0.0105 -0.0000
560 0.5198 nan 0.0105 -0.0000
580 0.5196 nan 0.0105 -0.0000
600 0.5195 nan 0.0105 0.0000
620 0.5193 nan 0.0105 -0.0000
623 0.5193 nan 0.0105 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5269 nan 0.0177 0.0000
2 0.5268 nan 0.0177 0.0000
3 0.5268 nan 0.0177 -0.0000
4 0.5268 nan 0.0177 0.0000
5 0.5267 nan 0.0177 0.0000
6 0.5267 nan 0.0177 0.0000
7 0.5266 nan 0.0177 0.0000
8 0.5266 nan 0.0177 0.0000
9 0.5266 nan 0.0177 0.0000
10 0.5265 nan 0.0177 0.0000
20 0.5262 nan 0.0177 0.0000
40 0.5257 nan 0.0177 0.0000
60 0.5252 nan 0.0177 0.0000
80 0.5250 nan 0.0177 -0.0000
100 0.5247 nan 0.0177 -0.0000
120 0.5244 nan 0.0177 0.0000
140 0.5243 nan 0.0177 -0.0000
160 0.5241 nan 0.0177 -0.0000
180 0.5239 nan 0.0177 -0.0000
200 0.5238 nan 0.0177 -0.0000
220 0.5237 nan 0.0177 -0.0000
240 0.5234 nan 0.0177 -0.0000
260 0.5233 nan 0.0177 0.0000
280 0.5232 nan 0.0177 -0.0000
300 0.5231 nan 0.0177 -0.0000
320 0.5229 nan 0.0177 -0.0000
340 0.5228 nan 0.0177 -0.0000
360 0.5226 nan 0.0177 -0.0000
380 0.5225 nan 0.0177 -0.0000
400 0.5224 nan 0.0177 -0.0000
420 0.5223 nan 0.0177 0.0000
440 0.5222 nan 0.0177 -0.0000
460 0.5221 nan 0.0177 -0.0000
480 0.5220 nan 0.0177 -0.0000
500 0.5219 nan 0.0177 -0.0000
520 0.5219 nan 0.0177 -0.0000
540 0.5218 nan 0.0177 -0.0000
560 0.5217 nan 0.0177 -0.0000
580 0.5216 nan 0.0177 -0.0000
600 0.5215 nan 0.0177 -0.0000
620 0.5215 nan 0.0177 -0.0000
640 0.5213 nan 0.0177 -0.0000
660 0.5212 nan 0.0177 -0.0000
680 0.5212 nan 0.0177 -0.0000
700 0.5211 nan 0.0177 -0.0000
720 0.5210 nan 0.0177 -0.0000
740 0.5209 nan 0.0177 -0.0000
747 0.5209 nan 0.0177 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.0178 0.0000
2 0.5266 nan 0.0178 0.0001
3 0.5265 nan 0.0178 0.0000
4 0.5265 nan 0.0178 0.0000
5 0.5264 nan 0.0178 0.0000
6 0.5263 nan 0.0178 0.0000
7 0.5262 nan 0.0178 0.0000
8 0.5262 nan 0.0178 0.0000
9 0.5261 nan 0.0178 0.0000
10 0.5260 nan 0.0178 0.0000
20 0.5255 nan 0.0178 0.0000
40 0.5247 nan 0.0178 0.0000
60 0.5239 nan 0.0178 -0.0000
80 0.5234 nan 0.0178 -0.0000
100 0.5228 nan 0.0178 -0.0000
120 0.5224 nan 0.0178 -0.0000
140 0.5220 nan 0.0178 0.0000
160 0.5216 nan 0.0178 -0.0000
180 0.5212 nan 0.0178 -0.0000
200 0.5208 nan 0.0178 -0.0001
220 0.5203 nan 0.0178 -0.0000
240 0.5200 nan 0.0178 -0.0000
260 0.5196 nan 0.0178 -0.0000
280 0.5193 nan 0.0178 -0.0001
300 0.5189 nan 0.0178 -0.0000
320 0.5187 nan 0.0178 -0.0000
340 0.5183 nan 0.0178 -0.0000
360 0.5179 nan 0.0178 -0.0000
380 0.5176 nan 0.0178 -0.0000
400 0.5173 nan 0.0178 -0.0000
420 0.5169 nan 0.0178 -0.0000
440 0.5166 nan 0.0178 -0.0000
460 0.5163 nan 0.0178 -0.0000
480 0.5158 nan 0.0178 -0.0000
500 0.5155 nan 0.0178 -0.0000
520 0.5153 nan 0.0178 -0.0000
540 0.5150 nan 0.0178 -0.0000
560 0.5148 nan 0.0178 -0.0000
580 0.5145 nan 0.0178 -0.0000
600 0.5143 nan 0.0178 -0.0000
620 0.5140 nan 0.0178 -0.0000
640 0.5137 nan 0.0178 -0.0000
660 0.5134 nan 0.0178 -0.0000
680 0.5132 nan 0.0178 -0.0000
700 0.5129 nan 0.0178 -0.0000
720 0.5126 nan 0.0178 -0.0000
740 0.5123 nan 0.0178 -0.0000
760 0.5121 nan 0.0178 -0.0000
780 0.5118 nan 0.0178 -0.0000
800 0.5116 nan 0.0178 -0.0000
820 0.5114 nan 0.0178 -0.0000
826 0.5113 nan 0.0178 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.0205 0.0000
2 0.5268 nan 0.0205 0.0000
3 0.5267 nan 0.0205 0.0000
4 0.5267 nan 0.0205 0.0000
5 0.5267 nan 0.0205 0.0000
6 0.5266 nan 0.0205 0.0000
7 0.5265 nan 0.0205 0.0000
8 0.5265 nan 0.0205 0.0000
9 0.5264 nan 0.0205 0.0000
10 0.5264 nan 0.0205 0.0000
20 0.5259 nan 0.0205 0.0000
40 0.5252 nan 0.0205 -0.0000
60 0.5247 nan 0.0205 -0.0000
80 0.5241 nan 0.0205 -0.0000
100 0.5238 nan 0.0205 -0.0000
120 0.5235 nan 0.0205 -0.0000
140 0.5231 nan 0.0205 -0.0000
160 0.5229 nan 0.0205 -0.0000
180 0.5224 nan 0.0205 -0.0000
200 0.5222 nan 0.0205 -0.0000
220 0.5218 nan 0.0205 -0.0000
240 0.5216 nan 0.0205 -0.0000
260 0.5214 nan 0.0205 -0.0000
280 0.5209 nan 0.0205 -0.0000
300 0.5207 nan 0.0205 -0.0000
320 0.5205 nan 0.0205 -0.0000
340 0.5203 nan 0.0205 -0.0000
360 0.5202 nan 0.0205 -0.0000
380 0.5200 nan 0.0205 -0.0000
400 0.5198 nan 0.0205 -0.0000
420 0.5196 nan 0.0205 -0.0000
440 0.5195 nan 0.0205 -0.0000
460 0.5193 nan 0.0205 -0.0000
480 0.5192 nan 0.0205 -0.0000
500 0.5190 nan 0.0205 -0.0000
520 0.5188 nan 0.0205 -0.0000
540 0.5186 nan 0.0205 -0.0000
560 0.5185 nan 0.0205 -0.0000
580 0.5183 nan 0.0205 -0.0000
600 0.5182 nan 0.0205 -0.0000
620 0.5181 nan 0.0205 -0.0000
640 0.5179 nan 0.0205 -0.0000
660 0.5177 nan 0.0205 -0.0000
680 0.5176 nan 0.0205 -0.0000
700 0.5175 nan 0.0205 -0.0000
720 0.5173 nan 0.0205 -0.0000
740 0.5172 nan 0.0205 -0.0000
760 0.5171 nan 0.0205 -0.0000
780 0.5169 nan 0.0205 -0.0000
800 0.5168 nan 0.0205 -0.0000
805 0.5167 nan 0.0205 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5269 nan 0.0215 0.0000
2 0.5269 nan 0.0215 0.0000
3 0.5268 nan 0.0215 0.0000
4 0.5268 nan 0.0215 0.0000
5 0.5267 nan 0.0215 0.0000
6 0.5267 nan 0.0215 0.0000
7 0.5267 nan 0.0215 0.0000
8 0.5267 nan 0.0215 0.0000
9 0.5266 nan 0.0215 0.0000
10 0.5266 nan 0.0215 0.0000
20 0.5263 nan 0.0215 0.0000
40 0.5259 nan 0.0215 0.0000
60 0.5256 nan 0.0215 -0.0000
80 0.5254 nan 0.0215 0.0000
100 0.5252 nan 0.0215 0.0000
120 0.5251 nan 0.0215 -0.0000
140 0.5248 nan 0.0215 -0.0000
160 0.5247 nan 0.0215 -0.0000
180 0.5247 nan 0.0215 -0.0000
200 0.5246 nan 0.0215 -0.0000
220 0.5245 nan 0.0215 -0.0000
240 0.5245 nan 0.0215 0.0000
256 0.5244 nan 0.0215 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5269 nan 0.0240 0.0000
2 0.5268 nan 0.0240 0.0000
3 0.5268 nan 0.0240 0.0000
4 0.5267 nan 0.0240 0.0000
5 0.5265 nan 0.0240 0.0000
6 0.5265 nan 0.0240 0.0000
7 0.5264 nan 0.0240 0.0000
8 0.5264 nan 0.0240 0.0000
9 0.5263 nan 0.0240 0.0000
10 0.5263 nan 0.0240 0.0000
20 0.5258 nan 0.0240 0.0000
40 0.5253 nan 0.0240 -0.0000
60 0.5248 nan 0.0240 -0.0000
80 0.5245 nan 0.0240 0.0000
100 0.5242 nan 0.0240 -0.0000
120 0.5240 nan 0.0240 -0.0000
140 0.5238 nan 0.0240 -0.0000
160 0.5236 nan 0.0240 -0.0000
180 0.5233 nan 0.0240 -0.0000
200 0.5232 nan 0.0240 -0.0000
220 0.5230 nan 0.0240 0.0000
240 0.5228 nan 0.0240 -0.0000
260 0.5227 nan 0.0240 -0.0000
280 0.5226 nan 0.0240 -0.0000
300 0.5224 nan 0.0240 -0.0000
320 0.5223 nan 0.0240 -0.0000
340 0.5221 nan 0.0240 -0.0000
360 0.5220 nan 0.0240 -0.0000
380 0.5219 nan 0.0240 -0.0000
400 0.5218 nan 0.0240 -0.0000
420 0.5216 nan 0.0240 -0.0000
440 0.5214 nan 0.0240 -0.0000
460 0.5213 nan 0.0240 -0.0000
480 0.5212 nan 0.0240 -0.0000
500 0.5211 nan 0.0240 -0.0000
520 0.5209 nan 0.0240 -0.0000
540 0.5208 nan 0.0240 -0.0000
560 0.5207 nan 0.0240 -0.0000
580 0.5206 nan 0.0240 -0.0000
600 0.5205 nan 0.0240 -0.0000
620 0.5204 nan 0.0240 -0.0000
640 0.5203 nan 0.0240 -0.0000
660 0.5202 nan 0.0240 -0.0000
680 0.5201 nan 0.0240 -0.0000
700 0.5200 nan 0.0240 -0.0000
720 0.5199 nan 0.0240 -0.0000
740 0.5198 nan 0.0240 -0.0000
760 0.5197 nan 0.0240 -0.0000
780 0.5196 nan 0.0240 -0.0000
790 0.5196 nan 0.0240 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5269 nan 0.0244 0.0000
2 0.5268 nan 0.0244 0.0000
3 0.5267 nan 0.0244 0.0000
4 0.5266 nan 0.0244 0.0000
5 0.5266 nan 0.0244 0.0000
6 0.5265 nan 0.0244 0.0000
7 0.5264 nan 0.0244 0.0000
8 0.5264 nan 0.0244 0.0000
9 0.5263 nan 0.0244 0.0000
10 0.5263 nan 0.0244 0.0000
20 0.5257 nan 0.0244 -0.0000
40 0.5250 nan 0.0244 0.0000
60 0.5243 nan 0.0244 -0.0000
80 0.5239 nan 0.0244 -0.0000
100 0.5235 nan 0.0244 -0.0000
120 0.5230 nan 0.0244 -0.0000
140 0.5228 nan 0.0244 -0.0000
160 0.5226 nan 0.0244 -0.0000
180 0.5223 nan 0.0244 -0.0000
200 0.5220 nan 0.0244 -0.0000
220 0.5218 nan 0.0244 -0.0000
240 0.5215 nan 0.0244 -0.0000
260 0.5214 nan 0.0244 -0.0000
280 0.5211 nan 0.0244 -0.0000
300 0.5208 nan 0.0244 -0.0000
320 0.5206 nan 0.0244 -0.0000
340 0.5204 nan 0.0244 -0.0000
360 0.5201 nan 0.0244 -0.0000
380 0.5199 nan 0.0244 0.0000
400 0.5196 nan 0.0244 -0.0000
420 0.5194 nan 0.0244 -0.0000
440 0.5192 nan 0.0244 -0.0000
460 0.5189 nan 0.0244 -0.0000
480 0.5187 nan 0.0244 -0.0000
500 0.5185 nan 0.0244 -0.0000
520 0.5183 nan 0.0244 -0.0000
540 0.5181 nan 0.0244 -0.0000
560 0.5179 nan 0.0244 -0.0000
580 0.5176 nan 0.0244 -0.0000
600 0.5174 nan 0.0244 -0.0000
620 0.5172 nan 0.0244 -0.0000
640 0.5169 nan 0.0244 -0.0000
660 0.5167 nan 0.0244 -0.0000
680 0.5165 nan 0.0244 -0.0000
700 0.5163 nan 0.0244 -0.0000
720 0.5161 nan 0.0244 -0.0000
740 0.5159 nan 0.0244 -0.0000
745 0.5159 nan 0.0244 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5269 nan 0.0264 0.0000
2 0.5268 nan 0.0264 0.0000
3 0.5267 nan 0.0264 0.0000
4 0.5267 nan 0.0264 0.0000
5 0.5266 nan 0.0264 0.0000
6 0.5266 nan 0.0264 0.0000
7 0.5265 nan 0.0264 0.0000
8 0.5264 nan 0.0264 0.0000
9 0.5264 nan 0.0264 0.0000
10 0.5263 nan 0.0264 0.0000
20 0.5259 nan 0.0264 0.0000
40 0.5254 nan 0.0264 -0.0000
60 0.5249 nan 0.0264 0.0000
80 0.5245 nan 0.0264 -0.0000
100 0.5242 nan 0.0264 -0.0000
120 0.5240 nan 0.0264 -0.0000
140 0.5236 nan 0.0264 -0.0000
160 0.5234 nan 0.0264 -0.0000
180 0.5233 nan 0.0264 -0.0000
200 0.5231 nan 0.0264 -0.0000
220 0.5229 nan 0.0264 -0.0000
240 0.5227 nan 0.0264 -0.0000
260 0.5226 nan 0.0264 -0.0000
280 0.5224 nan 0.0264 -0.0000
300 0.5223 nan 0.0264 -0.0000
320 0.5222 nan 0.0264 -0.0000
323 0.5220 nan 0.0264 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5269 nan 0.0273 0.0000
2 0.5268 nan 0.0273 0.0000
3 0.5267 nan 0.0273 0.0000
4 0.5266 nan 0.0273 0.0000
5 0.5266 nan 0.0273 0.0000
6 0.5265 nan 0.0273 0.0000
7 0.5265 nan 0.0273 0.0000
8 0.5264 nan 0.0273 0.0000
9 0.5263 nan 0.0273 0.0000
10 0.5263 nan 0.0273 0.0000
20 0.5259 nan 0.0273 0.0000
40 0.5252 nan 0.0273 0.0000
60 0.5248 nan 0.0273 0.0000
80 0.5244 nan 0.0273 -0.0000
100 0.5241 nan 0.0273 -0.0000
120 0.5239 nan 0.0273 -0.0000
126 0.5238 nan 0.0273 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5269 nan 0.0277 0.0000
2 0.5268 nan 0.0277 -0.0000
3 0.5268 nan 0.0277 0.0000
4 0.5268 nan 0.0277 0.0000
5 0.5267 nan 0.0277 0.0000
6 0.5267 nan 0.0277 0.0000
7 0.5266 nan 0.0277 0.0000
8 0.5266 nan 0.0277 0.0000
9 0.5266 nan 0.0277 0.0000
10 0.5265 nan 0.0277 0.0000
20 0.5262 nan 0.0277 0.0000
40 0.5258 nan 0.0277 -0.0000
60 0.5254 nan 0.0277 -0.0000
80 0.5252 nan 0.0277 -0.0000
100 0.5250 nan 0.0277 0.0000
120 0.5248 nan 0.0277 -0.0000
140 0.5247 nan 0.0277 -0.0000
160 0.5246 nan 0.0277 -0.0000
180 0.5245 nan 0.0277 -0.0000
200 0.5244 nan 0.0277 -0.0000
220 0.5243 nan 0.0277 -0.0000
240 0.5243 nan 0.0277 -0.0000
260 0.5242 nan 0.0277 -0.0000
280 0.5242 nan 0.0277 -0.0000
300 0.5241 nan 0.0277 -0.0000
320 0.5241 nan 0.0277 -0.0000
340 0.5240 nan 0.0277 -0.0000
360 0.5240 nan 0.0277 -0.0000
380 0.5239 nan 0.0277 -0.0000
400 0.5239 nan 0.0277 -0.0000
420 0.5238 nan 0.0277 -0.0000
440 0.5238 nan 0.0277 -0.0000
460 0.5238 nan 0.0277 -0.0002
480 0.5238 nan 0.0277 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5269 nan 0.0286 0.0000
2 0.5268 nan 0.0286 0.0000
3 0.5268 nan 0.0286 0.0000
4 0.5268 nan 0.0286 0.0000
5 0.5267 nan 0.0286 0.0000
6 0.5267 nan 0.0286 0.0000
7 0.5266 nan 0.0286 0.0000
8 0.5266 nan 0.0286 0.0000
9 0.5266 nan 0.0286 0.0000
10 0.5265 nan 0.0286 0.0000
20 0.5262 nan 0.0286 0.0000
40 0.5258 nan 0.0286 0.0000
60 0.5254 nan 0.0286 -0.0000
80 0.5251 nan 0.0286 -0.0000
100 0.5249 nan 0.0286 -0.0000
120 0.5248 nan 0.0286 -0.0000
140 0.5247 nan 0.0286 -0.0000
160 0.5246 nan 0.0286 -0.0000
180 0.5245 nan 0.0286 0.0000
200 0.5244 nan 0.0286 -0.0000
220 0.5244 nan 0.0286 -0.0000
240 0.5243 nan 0.0286 -0.0000
260 0.5242 nan 0.0286 -0.0000
280 0.5242 nan 0.0286 -0.0000
300 0.5241 nan 0.0286 -0.0000
320 0.5241 nan 0.0286 -0.0000
340 0.5240 nan 0.0286 -0.0000
360 0.5240 nan 0.0286 -0.0000
380 0.5240 nan 0.0286 -0.0000
400 0.5239 nan 0.0286 -0.0000
420 0.5239 nan 0.0286 -0.0000
440 0.5239 nan 0.0286 -0.0000
460 0.5238 nan 0.0286 -0.0000
480 0.5238 nan 0.0286 -0.0000
500 0.5238 nan 0.0286 -0.0000
520 0.5237 nan 0.0286 -0.0000
540 0.5237 nan 0.0286 -0.0000
560 0.5237 nan 0.0286 -0.0000
580 0.5236 nan 0.0286 -0.0000
600 0.5236 nan 0.0286 -0.0000
620 0.5236 nan 0.0286 -0.0000
640 0.5236 nan 0.0286 -0.0000
660 0.5236 nan 0.0286 -0.0000
680 0.5235 nan 0.0286 -0.0000
700 0.5235 nan 0.0286 -0.0000
720 0.5235 nan 0.0286 -0.0000
740 0.5234 nan 0.0286 -0.0000
760 0.5234 nan 0.0286 -0.0000
780 0.5234 nan 0.0286 -0.0000
800 0.5234 nan 0.0286 -0.0000
820 0.5234 nan 0.0286 -0.0000
840 0.5233 nan 0.0286 -0.0000
860 0.5233 nan 0.0286 -0.0000
880 0.5233 nan 0.0286 -0.0000
900 0.5233 nan 0.0286 -0.0000
920 0.5233 nan 0.0286 -0.0000
922 0.5233 nan 0.0286 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5269 nan 0.0298 0.0000
2 0.5268 nan 0.0298 0.0000
3 0.5267 nan 0.0298 0.0000
4 0.5267 nan 0.0298 0.0000
5 0.5266 nan 0.0298 0.0000
6 0.5265 nan 0.0298 0.0000
7 0.5265 nan 0.0298 0.0000
8 0.5264 nan 0.0298 -0.0000
9 0.5264 nan 0.0298 0.0000
10 0.5263 nan 0.0298 0.0000
20 0.5258 nan 0.0298 0.0000
40 0.5251 nan 0.0298 0.0000
60 0.5247 nan 0.0298 0.0000
80 0.5243 nan 0.0298 0.0000
100 0.5240 nan 0.0298 -0.0000
120 0.5237 nan 0.0298 -0.0000
140 0.5235 nan 0.0298 -0.0000
160 0.5233 nan 0.0298 -0.0000
180 0.5231 nan 0.0298 -0.0000
200 0.5229 nan 0.0298 -0.0000
220 0.5226 nan 0.0298 -0.0000
240 0.5224 nan 0.0298 -0.0000
260 0.5223 nan 0.0298 -0.0000
280 0.5221 nan 0.0298 -0.0000
300 0.5219 nan 0.0298 -0.0000
320 0.5219 nan 0.0298 -0.0000
340 0.5217 nan 0.0298 -0.0000
360 0.5215 nan 0.0298 -0.0000
380 0.5213 nan 0.0298 -0.0000
400 0.5212 nan 0.0298 -0.0000
420 0.5211 nan 0.0298 -0.0000
440 0.5210 nan 0.0298 -0.0000
460 0.5208 nan 0.0298 -0.0000
480 0.5206 nan 0.0298 -0.0000
500 0.5205 nan 0.0298 -0.0000
506 0.5204 nan 0.0298 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5269 nan 0.0305 0.0000
2 0.5268 nan 0.0305 0.0000
3 0.5267 nan 0.0305 0.0000
4 0.5266 nan 0.0305 0.0000
5 0.5266 nan 0.0305 -0.0000
6 0.5265 nan 0.0305 0.0000
7 0.5265 nan 0.0305 0.0000
8 0.5264 nan 0.0305 0.0000
9 0.5263 nan 0.0305 0.0000
10 0.5263 nan 0.0305 0.0000
20 0.5258 nan 0.0305 0.0000
40 0.5252 nan 0.0305 -0.0000
60 0.5247 nan 0.0305 -0.0000
80 0.5244 nan 0.0305 -0.0000
100 0.5241 nan 0.0305 -0.0000
120 0.5238 nan 0.0305 -0.0000
140 0.5235 nan 0.0305 -0.0000
160 0.5233 nan 0.0305 -0.0000
180 0.5231 nan 0.0305 -0.0000
200 0.5228 nan 0.0305 -0.0000
220 0.5226 nan 0.0305 -0.0000
240 0.5224 nan 0.0305 -0.0000
260 0.5223 nan 0.0305 -0.0000
280 0.5221 nan 0.0305 -0.0000
300 0.5219 nan 0.0305 -0.0000
320 0.5217 nan 0.0305 -0.0000
340 0.5216 nan 0.0305 -0.0000
360 0.5215 nan 0.0305 -0.0000
380 0.5213 nan 0.0305 -0.0000
400 0.5212 nan 0.0305 -0.0000
420 0.5211 nan 0.0305 -0.0000
440 0.5208 nan 0.0305 -0.0000
460 0.5207 nan 0.0305 -0.0000
480 0.5205 nan 0.0305 -0.0000
500 0.5204 nan 0.0305 -0.0000
520 0.5202 nan 0.0305 0.0000
540 0.5201 nan 0.0305 -0.0000
560 0.5200 nan 0.0305 -0.0000
580 0.5199 nan 0.0305 -0.0000
600 0.5198 nan 0.0305 -0.0000
620 0.5197 nan 0.0305 -0.0000
628 0.5197 nan 0.0305 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5269 nan 0.0306 0.0000
2 0.5268 nan 0.0306 0.0000
3 0.5267 nan 0.0306 0.0000
4 0.5267 nan 0.0306 0.0000
5 0.5266 nan 0.0306 0.0000
6 0.5265 nan 0.0306 0.0000
7 0.5265 nan 0.0306 0.0000
8 0.5264 nan 0.0306 0.0000
9 0.5264 nan 0.0306 0.0000
10 0.5264 nan 0.0306 0.0000
20 0.5259 nan 0.0306 0.0000
40 0.5252 nan 0.0306 -0.0001
60 0.5247 nan 0.0306 0.0000
80 0.5244 nan 0.0306 0.0000
100 0.5241 nan 0.0306 -0.0000
120 0.5238 nan 0.0306 -0.0000
140 0.5235 nan 0.0306 -0.0000
160 0.5232 nan 0.0306 -0.0000
180 0.5230 nan 0.0306 -0.0000
200 0.5228 nan 0.0306 -0.0000
220 0.5226 nan 0.0306 -0.0000
240 0.5223 nan 0.0306 -0.0000
260 0.5222 nan 0.0306 -0.0000
280 0.5220 nan 0.0306 -0.0000
300 0.5218 nan 0.0306 -0.0000
320 0.5217 nan 0.0306 -0.0000
340 0.5215 nan 0.0306 -0.0000
360 0.5214 nan 0.0306 -0.0000
380 0.5213 nan 0.0306 -0.0000
400 0.5212 nan 0.0306 -0.0000
420 0.5211 nan 0.0306 -0.0000
440 0.5208 nan 0.0306 -0.0000
460 0.5207 nan 0.0306 -0.0000
480 0.5205 nan 0.0306 -0.0000
500 0.5204 nan 0.0306 -0.0000
520 0.5203 nan 0.0306 -0.0000
540 0.5202 nan 0.0306 -0.0000
560 0.5200 nan 0.0306 -0.0000
580 0.5200 nan 0.0306 -0.0000
600 0.5198 nan 0.0306 -0.0000
613 0.5198 nan 0.0306 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.0370 0.0000
2 0.5267 nan 0.0370 0.0000
3 0.5265 nan 0.0370 0.0001
4 0.5264 nan 0.0370 0.0000
5 0.5263 nan 0.0370 0.0000
6 0.5261 nan 0.0370 0.0000
7 0.5260 nan 0.0370 0.0000
8 0.5259 nan 0.0370 0.0000
9 0.5259 nan 0.0370 0.0000
10 0.5258 nan 0.0370 0.0000
20 0.5249 nan 0.0370 -0.0000
40 0.5236 nan 0.0370 0.0000
60 0.5225 nan 0.0370 -0.0000
80 0.5216 nan 0.0370 -0.0000
100 0.5208 nan 0.0370 -0.0000
120 0.5202 nan 0.0370 -0.0000
140 0.5196 nan 0.0370 -0.0002
160 0.5189 nan 0.0370 -0.0000
180 0.5185 nan 0.0370 -0.0000
200 0.5178 nan 0.0370 -0.0000
220 0.5173 nan 0.0370 -0.0000
240 0.5167 nan 0.0370 -0.0000
260 0.5163 nan 0.0370 -0.0000
280 0.5158 nan 0.0370 -0.0000
300 0.5153 nan 0.0370 -0.0000
320 0.5147 nan 0.0370 -0.0000
340 0.5142 nan 0.0370 -0.0000
360 0.5137 nan 0.0370 -0.0000
380 0.5134 nan 0.0370 -0.0000
400 0.5129 nan 0.0370 -0.0000
420 0.5124 nan 0.0370 -0.0000
440 0.5121 nan 0.0370 -0.0001
460 0.5117 nan 0.0370 -0.0000
480 0.5111 nan 0.0370 -0.0000
500 0.5108 nan 0.0370 -0.0000
520 0.5105 nan 0.0370 -0.0000
540 0.5102 nan 0.0370 -0.0000
560 0.5099 nan 0.0370 -0.0000
580 0.5096 nan 0.0370 -0.0000
595 0.5093 nan 0.0370 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5269 nan 0.0402 0.0000
2 0.5268 nan 0.0402 0.0000
3 0.5268 nan 0.0402 0.0000
4 0.5267 nan 0.0402 0.0000
5 0.5266 nan 0.0402 0.0000
6 0.5266 nan 0.0402 0.0000
7 0.5265 nan 0.0402 0.0000
8 0.5265 nan 0.0402 0.0000
9 0.5264 nan 0.0402 0.0000
10 0.5264 nan 0.0402 0.0000
20 0.5260 nan 0.0402 0.0000
40 0.5255 nan 0.0402 0.0000
60 0.5251 nan 0.0402 0.0000
80 0.5249 nan 0.0402 -0.0000
100 0.5247 nan 0.0402 -0.0000
120 0.5245 nan 0.0402 -0.0000
140 0.5244 nan 0.0402 -0.0000
160 0.5243 nan 0.0402 -0.0000
180 0.5242 nan 0.0402 -0.0000
200 0.5242 nan 0.0402 -0.0000
220 0.5242 nan 0.0402 -0.0000
240 0.5241 nan 0.0402 -0.0000
260 0.5240 nan 0.0402 -0.0000
280 0.5239 nan 0.0402 -0.0000
300 0.5239 nan 0.0402 -0.0000
320 0.5239 nan 0.0402 -0.0000
340 0.5238 nan 0.0402 -0.0000
360 0.5238 nan 0.0402 -0.0000
380 0.5237 nan 0.0402 -0.0000
400 0.5237 nan 0.0402 -0.0000
420 0.5237 nan 0.0402 -0.0000
440 0.5236 nan 0.0402 -0.0000
460 0.5236 nan 0.0402 -0.0000
480 0.5236 nan 0.0402 -0.0000
500 0.5235 nan 0.0402 -0.0000
520 0.5235 nan 0.0402 -0.0000
540 0.5235 nan 0.0402 -0.0000
560 0.5235 nan 0.0402 -0.0000
580 0.5234 nan 0.0402 -0.0000
600 0.5234 nan 0.0402 -0.0000
620 0.5234 nan 0.0402 -0.0000
640 0.5234 nan 0.0402 -0.0000
660 0.5233 nan 0.0402 -0.0000
680 0.5233 nan 0.0402 -0.0000
700 0.5233 nan 0.0402 -0.0000
720 0.5233 nan 0.0402 -0.0000
740 0.5232 nan 0.0402 -0.0000
747 0.5232 nan 0.0402 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.0405 0.0000
2 0.5267 nan 0.0405 0.0000
3 0.5266 nan 0.0405 0.0000
4 0.5266 nan 0.0405 0.0000
5 0.5265 nan 0.0405 0.0000
6 0.5264 nan 0.0405 0.0000
7 0.5264 nan 0.0405 0.0000
8 0.5263 nan 0.0405 0.0000
9 0.5262 nan 0.0405 0.0000
10 0.5262 nan 0.0405 0.0000
20 0.5256 nan 0.0405 -0.0000
40 0.5250 nan 0.0405 -0.0000
60 0.5243 nan 0.0405 -0.0000
80 0.5240 nan 0.0405 -0.0000
100 0.5236 nan 0.0405 0.0000
120 0.5233 nan 0.0405 -0.0000
140 0.5230 nan 0.0405 -0.0000
160 0.5227 nan 0.0405 -0.0000
180 0.5225 nan 0.0405 -0.0000
200 0.5223 nan 0.0405 -0.0000
220 0.5221 nan 0.0405 -0.0000
240 0.5219 nan 0.0405 -0.0000
260 0.5217 nan 0.0405 -0.0000
280 0.5215 nan 0.0405 -0.0000
300 0.5213 nan 0.0405 -0.0000
320 0.5211 nan 0.0405 -0.0000
340 0.5210 nan 0.0405 -0.0000
360 0.5207 nan 0.0405 -0.0000
380 0.5205 nan 0.0405 -0.0000
400 0.5205 nan 0.0405 -0.0000
420 0.5204 nan 0.0405 -0.0000
440 0.5203 nan 0.0405 -0.0000
460 0.5201 nan 0.0405 -0.0000
480 0.5200 nan 0.0405 -0.0000
500 0.5198 nan 0.0405 -0.0000
520 0.5197 nan 0.0405 -0.0000
540 0.5195 nan 0.0405 -0.0000
560 0.5193 nan 0.0405 -0.0000
580 0.5192 nan 0.0405 -0.0000
600 0.5188 nan 0.0405 -0.0000
620 0.5188 nan 0.0405 -0.0000
640 0.5187 nan 0.0405 -0.0000
650 0.5186 nan 0.0405 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.0413 0.0000
2 0.5267 nan 0.0413 0.0000
3 0.5265 nan 0.0413 -0.0001
4 0.5264 nan 0.0413 0.0000
5 0.5262 nan 0.0413 0.0000
6 0.5262 nan 0.0413 0.0000
7 0.5261 nan 0.0413 0.0000
8 0.5260 nan 0.0413 0.0000
9 0.5259 nan 0.0413 0.0000
10 0.5258 nan 0.0413 0.0000
20 0.5249 nan 0.0413 -0.0000
40 0.5237 nan 0.0413 -0.0000
60 0.5230 nan 0.0413 -0.0003
80 0.5222 nan 0.0413 -0.0000
100 0.5216 nan 0.0413 -0.0000
120 0.5210 nan 0.0413 -0.0000
140 0.5204 nan 0.0413 -0.0000
160 0.5198 nan 0.0413 -0.0000
180 0.5193 nan 0.0413 -0.0000
200 0.5189 nan 0.0413 -0.0000
220 0.5185 nan 0.0413 -0.0001
240 0.5178 nan 0.0413 -0.0000
260 0.5174 nan 0.0413 -0.0000
280 0.5169 nan 0.0413 -0.0000
300 0.5165 nan 0.0413 -0.0001
320 0.5162 nan 0.0413 -0.0000
340 0.5155 nan 0.0413 -0.0000
360 0.5151 nan 0.0413 -0.0001
380 0.5147 nan 0.0413 -0.0000
400 0.5144 nan 0.0413 -0.0000
420 0.5140 nan 0.0413 -0.0000
425 0.5139 nan 0.0413 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.0502 0.0000
2 0.5267 nan 0.0502 0.0000
3 0.5266 nan 0.0502 0.0000
4 0.5265 nan 0.0502 0.0000
5 0.5264 nan 0.0502 0.0000
6 0.5263 nan 0.0502 0.0000
7 0.5262 nan 0.0502 0.0000
8 0.5260 nan 0.0502 0.0000
9 0.5260 nan 0.0502 -0.0000
10 0.5259 nan 0.0502 0.0000
20 0.5253 nan 0.0502 0.0000
40 0.5244 nan 0.0502 0.0000
60 0.5239 nan 0.0502 -0.0000
80 0.5236 nan 0.0502 -0.0000
100 0.5232 nan 0.0502 -0.0000
120 0.5230 nan 0.0502 -0.0000
140 0.5227 nan 0.0502 -0.0000
160 0.5224 nan 0.0502 -0.0000
180 0.5220 nan 0.0502 -0.0000
200 0.5218 nan 0.0502 -0.0000
220 0.5215 nan 0.0502 -0.0000
240 0.5213 nan 0.0502 -0.0000
260 0.5212 nan 0.0502 -0.0000
280 0.5210 nan 0.0502 -0.0000
300 0.5206 nan 0.0502 -0.0000
320 0.5204 nan 0.0502 -0.0000
340 0.5203 nan 0.0502 -0.0000
360 0.5199 nan 0.0502 -0.0000
380 0.5197 nan 0.0502 -0.0000
400 0.5195 nan 0.0502 -0.0000
420 0.5193 nan 0.0502 0.0000
440 0.5191 nan 0.0502 -0.0000
460 0.5190 nan 0.0502 -0.0000
480 0.5188 nan 0.0502 -0.0000
500 0.5186 nan 0.0502 -0.0000
520 0.5185 nan 0.0502 -0.0000
540 0.5183 nan 0.0502 -0.0000
559 0.5183 nan 0.0502 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.0536 0.0001
2 0.5265 nan 0.0536 0.0001
3 0.5263 nan 0.0536 0.0001
4 0.5261 nan 0.0536 0.0000
5 0.5259 nan 0.0536 0.0000
6 0.5258 nan 0.0536 0.0000
7 0.5256 nan 0.0536 0.0000
8 0.5255 nan 0.0536 0.0000
9 0.5254 nan 0.0536 0.0000
10 0.5253 nan 0.0536 0.0000
20 0.5240 nan 0.0536 -0.0000
40 0.5228 nan 0.0536 -0.0000
60 0.5215 nan 0.0536 -0.0000
80 0.5205 nan 0.0536 -0.0000
100 0.5197 nan 0.0536 -0.0000
120 0.5186 nan 0.0536 -0.0000
140 0.5178 nan 0.0536 -0.0000
160 0.5169 nan 0.0536 -0.0000
173 0.5162 nan 0.0536 0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.0631 0.0001
2 0.5264 nan 0.0631 0.0001
3 0.5262 nan 0.0631 0.0000
4 0.5261 nan 0.0631 0.0000
5 0.5259 nan 0.0631 0.0000
6 0.5258 nan 0.0631 0.0000
7 0.5257 nan 0.0631 0.0000
8 0.5255 nan 0.0631 0.0000
9 0.5254 nan 0.0631 0.0000
10 0.5253 nan 0.0631 0.0000
20 0.5243 nan 0.0631 -0.0000
40 0.5230 nan 0.0631 -0.0000
60 0.5220 nan 0.0631 -0.0001
80 0.5209 nan 0.0631 -0.0000
100 0.5200 nan 0.0631 -0.0000
120 0.5192 nan 0.0631 -0.0000
140 0.5184 nan 0.0631 -0.0000
160 0.5178 nan 0.0631 -0.0001
180 0.5169 nan 0.0631 -0.0001
200 0.5163 nan 0.0631 -0.0000
220 0.5156 nan 0.0631 -0.0000
240 0.5150 nan 0.0631 -0.0000
260 0.5143 nan 0.0631 -0.0000
280 0.5136 nan 0.0631 -0.0000
300 0.5131 nan 0.0631 -0.0000
320 0.5125 nan 0.0631 -0.0000
340 0.5119 nan 0.0631 -0.0000
360 0.5113 nan 0.0631 -0.0000
380 0.5108 nan 0.0631 -0.0001
400 0.5103 nan 0.0631 -0.0000
420 0.5095 nan 0.0631 -0.0001
440 0.5090 nan 0.0631 -0.0000
460 0.5087 nan 0.0631 -0.0000
480 0.5083 nan 0.0631 -0.0000
500 0.5081 nan 0.0631 -0.0002
520 0.5077 nan 0.0631 -0.0000
540 0.5072 nan 0.0631 -0.0000
560 0.5068 nan 0.0631 -0.0000
580 0.5063 nan 0.0631 -0.0001
600 0.5058 nan 0.0631 -0.0000
620 0.5054 nan 0.0631 -0.0000
622 0.5053 nan 0.0631 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.0632 0.0000
2 0.5266 nan 0.0632 0.0000
3 0.5263 nan 0.0632 0.0001
4 0.5262 nan 0.0632 0.0000
5 0.5260 nan 0.0632 0.0000
6 0.5259 nan 0.0632 0.0001
7 0.5258 nan 0.0632 0.0000
8 0.5257 nan 0.0632 0.0000
9 0.5255 nan 0.0632 -0.0000
10 0.5254 nan 0.0632 0.0000
20 0.5246 nan 0.0632 -0.0000
40 0.5235 nan 0.0632 -0.0000
60 0.5227 nan 0.0632 -0.0000
80 0.5220 nan 0.0632 -0.0000
100 0.5214 nan 0.0632 -0.0000
120 0.5209 nan 0.0632 -0.0000
140 0.5204 nan 0.0632 -0.0000
160 0.5199 nan 0.0632 -0.0000
180 0.5195 nan 0.0632 -0.0000
200 0.5192 nan 0.0632 -0.0000
220 0.5188 nan 0.0632 -0.0000
240 0.5185 nan 0.0632 -0.0000
260 0.5181 nan 0.0632 -0.0000
280 0.5179 nan 0.0632 -0.0000
296 0.5175 nan 0.0632 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5266 nan 0.0632 0.0001
2 0.5264 nan 0.0632 0.0001
3 0.5261 nan 0.0632 0.0001
4 0.5259 nan 0.0632 0.0000
5 0.5258 nan 0.0632 0.0000
6 0.5257 nan 0.0632 0.0000
7 0.5255 nan 0.0632 0.0000
8 0.5253 nan 0.0632 0.0000
9 0.5252 nan 0.0632 0.0000
10 0.5251 nan 0.0632 -0.0000
20 0.5240 nan 0.0632 -0.0000
40 0.5225 nan 0.0632 -0.0000
60 0.5214 nan 0.0632 -0.0000
80 0.5203 nan 0.0632 -0.0000
100 0.5194 nan 0.0632 -0.0000
120 0.5186 nan 0.0632 -0.0000
140 0.5177 nan 0.0632 -0.0000
160 0.5169 nan 0.0632 -0.0000
180 0.5162 nan 0.0632 -0.0000
200 0.5156 nan 0.0632 -0.0000
220 0.5149 nan 0.0632 -0.0000
240 0.5142 nan 0.0632 -0.0001
260 0.5136 nan 0.0632 -0.0001
280 0.5130 nan 0.0632 -0.0000
300 0.5124 nan 0.0632 -0.0000
320 0.5119 nan 0.0632 -0.0001
340 0.5111 nan 0.0632 -0.0001
360 0.5107 nan 0.0632 -0.0001
380 0.5100 nan 0.0632 -0.0000
400 0.5096 nan 0.0632 -0.0000
420 0.5091 nan 0.0632 -0.0001
440 0.5087 nan 0.0632 -0.0000
460 0.5081 nan 0.0632 -0.0000
480 0.5076 nan 0.0632 -0.0000
500 0.5073 nan 0.0632 -0.0000
520 0.5069 nan 0.0632 -0.0000
540 0.5065 nan 0.0632 -0.0001
560 0.5061 nan 0.0632 -0.0000
580 0.5057 nan 0.0632 -0.0001
600 0.5053 nan 0.0632 -0.0000
610 0.5050 nan 0.0632 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.0647 0.0000
2 0.5267 nan 0.0647 0.0000
3 0.5266 nan 0.0647 0.0000
4 0.5266 nan 0.0647 0.0000
5 0.5265 nan 0.0647 0.0000
6 0.5264 nan 0.0647 0.0000
7 0.5263 nan 0.0647 0.0000
8 0.5262 nan 0.0647 -0.0000
9 0.5262 nan 0.0647 0.0000
10 0.5261 nan 0.0647 0.0000
20 0.5256 nan 0.0647 0.0000
40 0.5250 nan 0.0647 -0.0000
60 0.5247 nan 0.0647 0.0000
80 0.5244 nan 0.0647 -0.0000
100 0.5243 nan 0.0647 -0.0000
120 0.5242 nan 0.0647 -0.0000
140 0.5241 nan 0.0647 -0.0000
160 0.5242 nan 0.0647 -0.0000
180 0.5241 nan 0.0647 -0.0000
200 0.5240 nan 0.0647 -0.0000
220 0.5238 nan 0.0647 -0.0000
227 0.5238 nan 0.0647 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.0655 0.0000
2 0.5265 nan 0.0655 0.0000
3 0.5264 nan 0.0655 0.0000
4 0.5262 nan 0.0655 0.0000
5 0.5261 nan 0.0655 0.0001
6 0.5260 nan 0.0655 -0.0000
7 0.5259 nan 0.0655 0.0000
8 0.5258 nan 0.0655 -0.0000
9 0.5257 nan 0.0655 0.0000
10 0.5256 nan 0.0655 -0.0000
20 0.5248 nan 0.0655 -0.0000
40 0.5238 nan 0.0655 0.0000
60 0.5230 nan 0.0655 -0.0000
80 0.5222 nan 0.0655 -0.0000
100 0.5215 nan 0.0655 -0.0001
120 0.5211 nan 0.0655 -0.0003
140 0.5203 nan 0.0655 -0.0000
160 0.5198 nan 0.0655 -0.0000
180 0.5192 nan 0.0655 -0.0000
200 0.5189 nan 0.0655 0.0000
220 0.5183 nan 0.0655 -0.0000
240 0.5177 nan 0.0655 -0.0000
260 0.5174 nan 0.0655 -0.0000
280 0.5171 nan 0.0655 -0.0001
300 0.5166 nan 0.0655 -0.0000
320 0.5165 nan 0.0655 -0.0002
340 0.5160 nan 0.0655 -0.0000
360 0.5156 nan 0.0655 -0.0000
380 0.5152 nan 0.0655 -0.0000
400 0.5148 nan 0.0655 -0.0001
420 0.5147 nan 0.0655 -0.0003
440 0.5142 nan 0.0655 -0.0000
460 0.5138 nan 0.0655 -0.0000
480 0.5134 nan 0.0655 -0.0000
500 0.5133 nan 0.0655 -0.0003
520 0.5129 nan 0.0655 -0.0000
540 0.5124 nan 0.0655 -0.0000
560 0.5123 nan 0.0655 -0.0000
580 0.5119 nan 0.0655 -0.0000
600 0.5116 nan 0.0655 -0.0000
620 0.5113 nan 0.0655 -0.0000
640 0.5113 nan 0.0655 -0.0003
642 0.5112 nan 0.0655 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5266 nan 0.0664 0.0001
2 0.5263 nan 0.0664 0.0001
3 0.5261 nan 0.0664 -0.0000
4 0.5259 nan 0.0664 0.0000
5 0.5257 nan 0.0664 0.0000
6 0.5255 nan 0.0664 0.0000
7 0.5254 nan 0.0664 -0.0000
8 0.5253 nan 0.0664 0.0000
9 0.5252 nan 0.0664 0.0000
10 0.5251 nan 0.0664 0.0000
20 0.5238 nan 0.0664 -0.0000
40 0.5222 nan 0.0664 -0.0000
51 0.5214 nan 0.0664 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5266 nan 0.0683 0.0001
2 0.5264 nan 0.0683 0.0000
3 0.5263 nan 0.0683 0.0000
4 0.5260 nan 0.0683 0.0001
5 0.5259 nan 0.0683 0.0000
6 0.5258 nan 0.0683 0.0000
7 0.5256 nan 0.0683 -0.0000
8 0.5255 nan 0.0683 0.0000
9 0.5253 nan 0.0683 0.0000
10 0.5252 nan 0.0683 0.0000
20 0.5239 nan 0.0683 -0.0000
40 0.5224 nan 0.0683 -0.0000
52 0.5219 nan 0.0683 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.0702 0.0001
2 0.5267 nan 0.0702 0.0000
3 0.5266 nan 0.0702 0.0000
4 0.5265 nan 0.0702 0.0000
5 0.5264 nan 0.0702 0.0000
6 0.5263 nan 0.0702 0.0000
7 0.5262 nan 0.0702 0.0000
8 0.5262 nan 0.0702 0.0000
9 0.5261 nan 0.0702 -0.0000
10 0.5260 nan 0.0702 0.0000
20 0.5255 nan 0.0702 -0.0000
40 0.5250 nan 0.0702 -0.0000
60 0.5247 nan 0.0702 -0.0000
80 0.5245 nan 0.0702 -0.0000
100 0.5243 nan 0.0702 -0.0000
120 0.5242 nan 0.0702 -0.0000
140 0.5240 nan 0.0702 -0.0000
158 0.5240 nan 0.0702 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.0708 0.0000
2 0.5265 nan 0.0708 0.0001
3 0.5264 nan 0.0708 0.0000
4 0.5262 nan 0.0708 0.0001
5 0.5260 nan 0.0708 0.0000
6 0.5258 nan 0.0708 0.0000
7 0.5257 nan 0.0708 0.0000
8 0.5256 nan 0.0708 -0.0000
9 0.5254 nan 0.0708 0.0001
10 0.5253 nan 0.0708 -0.0000
20 0.5244 nan 0.0708 0.0001
40 0.5234 nan 0.0708 -0.0001
60 0.5223 nan 0.0708 -0.0000
80 0.5217 nan 0.0708 -0.0000
100 0.5211 nan 0.0708 -0.0000
120 0.5205 nan 0.0708 -0.0000
140 0.5199 nan 0.0708 -0.0000
160 0.5194 nan 0.0708 -0.0002
180 0.5190 nan 0.0708 -0.0000
200 0.5184 nan 0.0708 -0.0000
220 0.5179 nan 0.0708 -0.0000
240 0.5175 nan 0.0708 -0.0000
260 0.5171 nan 0.0708 -0.0000
280 0.5166 nan 0.0708 -0.0000
300 0.5162 nan 0.0708 -0.0000
320 0.5157 nan 0.0708 -0.0000
340 0.5153 nan 0.0708 -0.0000
360 0.5149 nan 0.0708 -0.0000
380 0.5147 nan 0.0708 -0.0000
400 0.5142 nan 0.0708 -0.0000
420 0.5138 nan 0.0708 -0.0001
440 0.5135 nan 0.0708 -0.0000
460 0.5131 nan 0.0708 -0.0000
480 0.5128 nan 0.0708 -0.0002
500 0.5123 nan 0.0708 -0.0000
520 0.5118 nan 0.0708 -0.0000
540 0.5115 nan 0.0708 -0.0000
559 0.5111 nan 0.0708 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.0712 0.0001
2 0.5267 nan 0.0712 0.0000
3 0.5266 nan 0.0712 0.0000
4 0.5265 nan 0.0712 0.0000
5 0.5265 nan 0.0712 0.0000
6 0.5264 nan 0.0712 0.0000
7 0.5263 nan 0.0712 0.0000
8 0.5262 nan 0.0712 0.0000
9 0.5262 nan 0.0712 0.0000
10 0.5261 nan 0.0712 0.0000
20 0.5256 nan 0.0712 -0.0000
40 0.5250 nan 0.0712 -0.0000
60 0.5246 nan 0.0712 -0.0000
80 0.5243 nan 0.0712 -0.0000
100 0.5242 nan 0.0712 -0.0000
120 0.5241 nan 0.0712 -0.0000
140 0.5240 nan 0.0712 -0.0000
160 0.5239 nan 0.0712 -0.0000
180 0.5238 nan 0.0712 -0.0000
200 0.5239 nan 0.0712 -0.0000
220 0.5238 nan 0.0712 -0.0000
240 0.5237 nan 0.0712 -0.0000
260 0.5237 nan 0.0712 -0.0000
280 0.5236 nan 0.0712 -0.0000
300 0.5235 nan 0.0712 -0.0000
320 0.5235 nan 0.0712 -0.0000
340 0.5234 nan 0.0712 -0.0000
360 0.5234 nan 0.0712 -0.0000
380 0.5233 nan 0.0712 -0.0000
400 0.5233 nan 0.0712 -0.0000
420 0.5232 nan 0.0712 -0.0000
440 0.5232 nan 0.0712 -0.0000
441 0.5232 nan 0.0712 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.0722 0.0001
2 0.5265 nan 0.0722 0.0000
3 0.5262 nan 0.0722 0.0000
4 0.5260 nan 0.0722 0.0001
5 0.5258 nan 0.0722 0.0001
6 0.5256 nan 0.0722 0.0000
7 0.5254 nan 0.0722 0.0000
8 0.5253 nan 0.0722 0.0000
9 0.5252 nan 0.0722 0.0000
10 0.5251 nan 0.0722 -0.0000
20 0.5240 nan 0.0722 -0.0000
40 0.5226 nan 0.0722 -0.0000
60 0.5218 nan 0.0722 -0.0001
80 0.5203 nan 0.0722 -0.0002
100 0.5190 nan 0.0722 -0.0000
120 0.5182 nan 0.0722 -0.0000
140 0.5174 nan 0.0722 -0.0000
160 0.5169 nan 0.0722 -0.0000
180 0.5160 nan 0.0722 -0.0000
200 0.5154 nan 0.0722 -0.0000
220 0.5146 nan 0.0722 -0.0000
240 0.5141 nan 0.0722 -0.0001
260 0.5136 nan 0.0722 -0.0000
280 0.5129 nan 0.0722 -0.0000
300 0.5122 nan 0.0722 -0.0000
320 0.5116 nan 0.0722 -0.0000
340 0.5111 nan 0.0722 -0.0000
360 0.5108 nan 0.0722 -0.0000
380 0.5103 nan 0.0722 -0.0000
400 0.5101 nan 0.0722 -0.0000
419 0.5096 nan 0.0722 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.0781 0.0001
2 0.5265 nan 0.0781 0.0000
3 0.5263 nan 0.0781 0.0001
4 0.5261 nan 0.0781 0.0000
5 0.5260 nan 0.0781 0.0000
6 0.5259 nan 0.0781 -0.0000
7 0.5258 nan 0.0781 0.0000
8 0.5257 nan 0.0781 0.0000
9 0.5256 nan 0.0781 -0.0000
10 0.5255 nan 0.0781 0.0000
20 0.5248 nan 0.0781 0.0000
40 0.5240 nan 0.0781 -0.0000
60 0.5238 nan 0.0781 -0.0000
80 0.5233 nan 0.0781 -0.0000
100 0.5227 nan 0.0781 -0.0001
120 0.5223 nan 0.0781 -0.0000
140 0.5219 nan 0.0781 -0.0000
160 0.5215 nan 0.0781 -0.0000
180 0.5213 nan 0.0781 -0.0000
200 0.5210 nan 0.0781 -0.0000
220 0.5207 nan 0.0781 -0.0000
240 0.5203 nan 0.0781 -0.0000
260 0.5201 nan 0.0781 -0.0000
280 0.5199 nan 0.0781 -0.0000
300 0.5198 nan 0.0781 -0.0000
320 0.5197 nan 0.0781 -0.0000
340 0.5194 nan 0.0781 -0.0000
360 0.5192 nan 0.0781 -0.0000
380 0.5190 nan 0.0781 -0.0000
400 0.5188 nan 0.0781 -0.0000
420 0.5186 nan 0.0781 -0.0000
440 0.5184 nan 0.0781 -0.0000
460 0.5186 nan 0.0781 -0.0005
480 0.5182 nan 0.0781 -0.0000
500 0.5179 nan 0.0781 -0.0000
520 0.5179 nan 0.0781 -0.0000
540 0.5178 nan 0.0781 -0.0000
560 0.5176 nan 0.0781 -0.0000
580 0.5174 nan 0.0781 -0.0000
600 0.5173 nan 0.0781 -0.0000
620 0.5171 nan 0.0781 -0.0000
640 0.5168 nan 0.0781 -0.0000
660 0.5168 nan 0.0781 -0.0000
680 0.5167 nan 0.0781 -0.0000
700 0.5164 nan 0.0781 -0.0000
720 0.5162 nan 0.0781 -0.0001
740 0.5159 nan 0.0781 -0.0000
760 0.5157 nan 0.0781 -0.0000
780 0.5160 nan 0.0781 -0.0000
800 0.5161 nan 0.0781 -0.0000
820 0.5157 nan 0.0781 -0.0000
840 0.5156 nan 0.0781 -0.0000
860 0.5153 nan 0.0781 -0.0000
880 0.5152 nan 0.0781 -0.0002
900 0.5150 nan 0.0781 -0.0000
920 0.5148 nan 0.0781 -0.0000
923 0.5147 nan 0.0781 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5266 nan 0.0784 0.0001
2 0.5263 nan 0.0784 0.0001
3 0.5260 nan 0.0784 0.0001
4 0.5259 nan 0.0784 0.0000
5 0.5256 nan 0.0784 0.0001
6 0.5254 nan 0.0784 0.0000
7 0.5252 nan 0.0784 0.0001
8 0.5251 nan 0.0784 -0.0001
9 0.5250 nan 0.0784 -0.0000
10 0.5248 nan 0.0784 0.0000
20 0.5236 nan 0.0784 0.0000
40 0.5220 nan 0.0784 -0.0001
60 0.5207 nan 0.0784 -0.0000
80 0.5190 nan 0.0784 -0.0000
100 0.5177 nan 0.0784 -0.0000
120 0.5169 nan 0.0784 -0.0000
140 0.5153 nan 0.0784 -0.0000
160 0.5142 nan 0.0784 -0.0000
180 0.5132 nan 0.0784 -0.0001
200 0.5124 nan 0.0784 -0.0000
220 0.5113 nan 0.0784 -0.0000
240 0.5101 nan 0.0784 -0.0000
260 0.5092 nan 0.0784 -0.0001
280 0.5082 nan 0.0784 -0.0000
300 0.5072 nan 0.0784 -0.0000
320 0.5065 nan 0.0784 -0.0000
340 0.5057 nan 0.0784 -0.0002
360 0.5058 nan 0.0784 -0.0000
380 0.5054 nan 0.0784 -0.0000
400 0.5048 nan 0.0784 -0.0000
420 0.5042 nan 0.0784 -0.0002
440 0.5032 nan 0.0784 -0.0000
460 0.5026 nan 0.0784 -0.0000
480 0.5018 nan 0.0784 -0.0001
500 0.5009 nan 0.0784 -0.0001
520 0.5001 nan 0.0784 -0.0000
540 0.4993 nan 0.0784 -0.0001
560 0.4989 nan 0.0784 -0.0000
580 0.4983 nan 0.0784 -0.0001
600 0.4978 nan 0.0784 -0.0001
620 0.4971 nan 0.0784 -0.0000
640 0.4968 nan 0.0784 -0.0000
660 0.4964 nan 0.0784 -0.0002
680 0.4958 nan 0.0784 -0.0000
700 0.4953 nan 0.0784 -0.0000
720 0.4946 nan 0.0784 -0.0000
740 0.4941 nan 0.0784 -0.0001
760 0.4934 nan 0.0784 -0.0001
780 0.4927 nan 0.0784 -0.0001
790 0.4925 nan 0.0784 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.0794 0.0001
2 0.5266 nan 0.0794 0.0000
3 0.5264 nan 0.0794 0.0000
4 0.5263 nan 0.0794 0.0000
5 0.5262 nan 0.0794 0.0000
6 0.5261 nan 0.0794 0.0000
7 0.5260 nan 0.0794 0.0000
8 0.5259 nan 0.0794 -0.0000
9 0.5258 nan 0.0794 0.0000
10 0.5257 nan 0.0794 -0.0000
20 0.5249 nan 0.0794 -0.0000
40 0.5241 nan 0.0794 -0.0000
60 0.5234 nan 0.0794 -0.0000
80 0.5229 nan 0.0794 -0.0000
100 0.5225 nan 0.0794 -0.0000
120 0.5220 nan 0.0794 -0.0000
140 0.5217 nan 0.0794 -0.0000
160 0.5214 nan 0.0794 -0.0000
180 0.5211 nan 0.0794 -0.0000
200 0.5210 nan 0.0794 0.0000
220 0.5208 nan 0.0794 -0.0000
240 0.5205 nan 0.0794 -0.0000
260 0.5202 nan 0.0794 -0.0000
280 0.5201 nan 0.0794 -0.0000
300 0.5197 nan 0.0794 -0.0000
320 0.5194 nan 0.0794 -0.0000
340 0.5191 nan 0.0794 -0.0000
351 0.5190 nan 0.0794 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5266 nan 0.0809 0.0001
2 0.5264 nan 0.0809 0.0000
3 0.5263 nan 0.0809 0.0000
4 0.5262 nan 0.0809 0.0000
5 0.5260 nan 0.0809 0.0000
6 0.5258 nan 0.0809 0.0001
7 0.5257 nan 0.0809 0.0000
8 0.5257 nan 0.0809 -0.0000
9 0.5255 nan 0.0809 0.0000
10 0.5254 nan 0.0809 0.0000
20 0.5245 nan 0.0809 -0.0000
40 0.5232 nan 0.0809 -0.0000
60 0.5227 nan 0.0809 -0.0000
80 0.5217 nan 0.0809 -0.0000
100 0.5209 nan 0.0809 0.0000
120 0.5201 nan 0.0809 -0.0000
140 0.5194 nan 0.0809 -0.0000
160 0.5194 nan 0.0809 -0.0000
180 0.5186 nan 0.0809 -0.0000
200 0.5180 nan 0.0809 -0.0000
220 0.5175 nan 0.0809 -0.0000
240 0.5170 nan 0.0809 -0.0001
260 0.5165 nan 0.0809 -0.0001
280 0.5159 nan 0.0809 -0.0000
300 0.5156 nan 0.0809 -0.0003
320 0.5149 nan 0.0809 -0.0003
340 0.5141 nan 0.0809 -0.0000
360 0.5141 nan 0.0809 -0.0000
380 0.5138 nan 0.0809 -0.0000
400 0.5135 nan 0.0809 -0.0000
420 0.5132 nan 0.0809 -0.0000
440 0.5129 nan 0.0809 -0.0000
460 0.5126 nan 0.0809 -0.0000
480 0.5120 nan 0.0809 -0.0000
500 0.5123 nan 0.0809 -0.0000
520 0.5117 nan 0.0809 -0.0001
540 0.5111 nan 0.0809 -0.0001
560 0.5107 nan 0.0809 -0.0000
580 0.5103 nan 0.0809 -0.0000
600 0.5100 nan 0.0809 -0.0001
620 0.5096 nan 0.0809 -0.0000
640 0.5091 nan 0.0809 -0.0000
660 0.5090 nan 0.0809 -0.0000
680 0.5086 nan 0.0809 -0.0000
700 0.5085 nan 0.0809 -0.0000
720 0.5079 nan 0.0809 -0.0000
740 0.5075 nan 0.0809 -0.0000
760 0.5074 nan 0.0809 -0.0001
780 0.5069 nan 0.0809 -0.0000
800 0.5068 nan 0.0809 -0.0000
820 0.5066 nan 0.0809 -0.0000
840 0.5064 nan 0.0809 -0.0000
860 0.5060 nan 0.0809 -0.0000
880 0.5060 nan 0.0809 -0.0000
900 0.5057 nan 0.0809 -0.0002
920 0.5055 nan 0.0809 -0.0000
940 0.5056 nan 0.0809 -0.0000
947 0.5054 nan 0.0809 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5266 nan 0.0841 0.0001
2 0.5264 nan 0.0841 0.0001
3 0.5262 nan 0.0841 -0.0000
4 0.5260 nan 0.0841 0.0000
5 0.5259 nan 0.0841 0.0000
6 0.5257 nan 0.0841 -0.0000
7 0.5255 nan 0.0841 0.0000
8 0.5254 nan 0.0841 0.0000
9 0.5253 nan 0.0841 0.0000
10 0.5251 nan 0.0841 0.0000
20 0.5243 nan 0.0841 -0.0000
40 0.5230 nan 0.0841 -0.0000
60 0.5222 nan 0.0841 -0.0000
80 0.5215 nan 0.0841 -0.0000
100 0.5207 nan 0.0841 -0.0000
120 0.5201 nan 0.0841 -0.0000
140 0.5196 nan 0.0841 -0.0000
160 0.5195 nan 0.0841 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5266 nan 0.0845 0.0001
2 0.5264 nan 0.0845 0.0000
3 0.5261 nan 0.0845 0.0001
4 0.5259 nan 0.0845 0.0001
5 0.5257 nan 0.0845 0.0000
6 0.5255 nan 0.0845 0.0000
7 0.5254 nan 0.0845 0.0001
8 0.5252 nan 0.0845 0.0000
9 0.5250 nan 0.0845 -0.0000
10 0.5249 nan 0.0845 0.0000
20 0.5240 nan 0.0845 -0.0000
40 0.5227 nan 0.0845 -0.0000
60 0.5216 nan 0.0845 -0.0001
80 0.5206 nan 0.0845 -0.0000
100 0.5197 nan 0.0845 -0.0000
120 0.5188 nan 0.0845 -0.0000
140 0.5180 nan 0.0845 -0.0000
160 0.5172 nan 0.0845 -0.0000
180 0.5165 nan 0.0845 -0.0000
200 0.5158 nan 0.0845 -0.0000
220 0.5157 nan 0.0845 -0.0000
240 0.5148 nan 0.0845 -0.0000
260 0.5142 nan 0.0845 -0.0000
280 0.5136 nan 0.0845 -0.0001
300 0.5131 nan 0.0845 -0.0000
320 0.5129 nan 0.0845 -0.0000
340 0.5122 nan 0.0845 -0.0000
360 0.5117 nan 0.0845 -0.0001
380 0.5113 nan 0.0845 -0.0000
400 0.5108 nan 0.0845 -0.0001
420 0.5103 nan 0.0845 -0.0000
440 0.5098 nan 0.0845 -0.0000
460 0.5093 nan 0.0845 -0.0001
480 0.5088 nan 0.0845 -0.0000
500 0.5085 nan 0.0845 -0.0001
520 0.5080 nan 0.0845 -0.0000
540 0.5076 nan 0.0845 -0.0001
560 0.5073 nan 0.0845 -0.0001
580 0.5069 nan 0.0845 -0.0001
600 0.5071 nan 0.0845 -0.0001
620 0.5064 nan 0.0845 -0.0000
640 0.5059 nan 0.0845 -0.0000
660 0.5055 nan 0.0845 -0.0001
680 0.5051 nan 0.0845 -0.0000
700 0.5047 nan 0.0845 -0.0001
720 0.5045 nan 0.0845 -0.0001
740 0.5040 nan 0.0845 -0.0001
753 0.5038 nan 0.0845 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.0848 0.0000
2 0.5267 nan 0.0848 0.0001
3 0.5266 nan 0.0848 0.0001
4 0.5265 nan 0.0848 0.0000
5 0.5264 nan 0.0848 0.0000
6 0.5263 nan 0.0848 -0.0000
7 0.5262 nan 0.0848 0.0000
8 0.5262 nan 0.0848 0.0000
9 0.5261 nan 0.0848 0.0000
10 0.5260 nan 0.0848 0.0000
20 0.5255 nan 0.0848 -0.0000
40 0.5249 nan 0.0848 0.0000
60 0.5246 nan 0.0848 -0.0000
80 0.5243 nan 0.0848 -0.0000
100 0.5242 nan 0.0848 -0.0000
120 0.5241 nan 0.0848 -0.0000
140 0.5240 nan 0.0848 -0.0000
160 0.5239 nan 0.0848 -0.0000
180 0.5239 nan 0.0848 -0.0000
200 0.5238 nan 0.0848 -0.0000
220 0.5236 nan 0.0848 -0.0000
240 0.5236 nan 0.0848 -0.0000
260 0.5235 nan 0.0848 -0.0000
280 0.5234 nan 0.0848 -0.0000
300 0.5233 nan 0.0848 -0.0000
320 0.5235 nan 0.0848 0.0000
340 0.5232 nan 0.0848 0.0000
360 0.5231 nan 0.0848 -0.0000
380 0.5230 nan 0.0848 -0.0000
400 0.5229 nan 0.0848 -0.0000
420 0.5228 nan 0.0848 -0.0000
440 0.5228 nan 0.0848 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.0859 0.0001
2 0.5265 nan 0.0859 0.0001
3 0.5263 nan 0.0859 0.0000
4 0.5260 nan 0.0859 0.0001
5 0.5259 nan 0.0859 -0.0000
6 0.5257 nan 0.0859 0.0000
7 0.5256 nan 0.0859 -0.0000
8 0.5255 nan 0.0859 0.0000
9 0.5254 nan 0.0859 -0.0000
10 0.5252 nan 0.0859 0.0000
20 0.5243 nan 0.0859 -0.0000
40 0.5232 nan 0.0859 -0.0000
60 0.5224 nan 0.0859 -0.0000
80 0.5218 nan 0.0859 -0.0000
100 0.5210 nan 0.0859 0.0000
120 0.5203 nan 0.0859 -0.0000
140 0.5198 nan 0.0859 -0.0000
160 0.5191 nan 0.0859 -0.0000
180 0.5184 nan 0.0859 -0.0000
200 0.5177 nan 0.0859 -0.0000
220 0.5170 nan 0.0859 -0.0000
240 0.5165 nan 0.0859 -0.0000
260 0.5160 nan 0.0859 -0.0000
280 0.5156 nan 0.0859 -0.0000
300 0.5147 nan 0.0859 -0.0000
320 0.5141 nan 0.0859 -0.0000
340 0.5137 nan 0.0859 -0.0001
360 0.5132 nan 0.0859 -0.0000
380 0.5127 nan 0.0859 -0.0000
400 0.5122 nan 0.0859 -0.0000
420 0.5117 nan 0.0859 -0.0000
440 0.5112 nan 0.0859 -0.0000
460 0.5107 nan 0.0859 -0.0000
480 0.5106 nan 0.0859 -0.0000
500 0.5103 nan 0.0859 -0.0000
520 0.5098 nan 0.0859 -0.0000
540 0.5093 nan 0.0859 -0.0001
560 0.5086 nan 0.0859 -0.0000
580 0.5081 nan 0.0859 -0.0000
600 0.5077 nan 0.0859 -0.0000
620 0.5075 nan 0.0859 -0.0001
640 0.5071 nan 0.0859 -0.0000
660 0.5066 nan 0.0859 0.0000
680 0.5062 nan 0.0859 -0.0000
700 0.5058 nan 0.0859 -0.0000
720 0.5054 nan 0.0859 -0.0000
740 0.5053 nan 0.0859 -0.0000
760 0.5049 nan 0.0859 -0.0000
780 0.5045 nan 0.0859 -0.0000
800 0.5040 nan 0.0859 -0.0001
820 0.5037 nan 0.0859 -0.0000
840 0.5033 nan 0.0859 -0.0000
860 0.5028 nan 0.0859 -0.0000
880 0.5025 nan 0.0859 -0.0000
900 0.5021 nan 0.0859 -0.0000
920 0.5018 nan 0.0859 -0.0000
940 0.5015 nan 0.0859 -0.0000
941 0.5014 nan 0.0859 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.0877 0.0001
2 0.5264 nan 0.0877 0.0001
3 0.5263 nan 0.0877 0.0000
4 0.5261 nan 0.0877 0.0000
5 0.5261 nan 0.0877 -0.0000
6 0.5260 nan 0.0877 -0.0000
7 0.5259 nan 0.0877 0.0000
8 0.5257 nan 0.0877 0.0000
9 0.5256 nan 0.0877 0.0000
10 0.5255 nan 0.0877 -0.0000
20 0.5248 nan 0.0877 -0.0000
40 0.5240 nan 0.0877 -0.0000
60 0.5234 nan 0.0877 -0.0000
80 0.5230 nan 0.0877 -0.0000
100 0.5224 nan 0.0877 -0.0000
120 0.5220 nan 0.0877 -0.0001
140 0.5216 nan 0.0877 -0.0000
160 0.5212 nan 0.0877 -0.0000
180 0.5207 nan 0.0877 -0.0000
191 0.5209 nan 0.0877 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.0918 0.0001
2 0.5261 nan 0.0918 0.0001
3 0.5258 nan 0.0918 0.0001
4 0.5256 nan 0.0918 0.0000
5 0.5254 nan 0.0918 0.0000
6 0.5251 nan 0.0918 0.0000
7 0.5249 nan 0.0918 0.0000
8 0.5247 nan 0.0918 -0.0000
9 0.5246 nan 0.0918 -0.0000
10 0.5244 nan 0.0918 0.0000
20 0.5232 nan 0.0918 -0.0000
40 0.5215 nan 0.0918 -0.0001
60 0.5205 nan 0.0918 -0.0000
80 0.5191 nan 0.0918 -0.0000
100 0.5183 nan 0.0918 -0.0001
120 0.5175 nan 0.0918 -0.0000
140 0.5164 nan 0.0918 -0.0000
160 0.5152 nan 0.0918 -0.0003
180 0.5145 nan 0.0918 -0.0001
200 0.5138 nan 0.0918 -0.0001
220 0.5127 nan 0.0918 -0.0001
240 0.5118 nan 0.0918 -0.0000
260 0.5109 nan 0.0918 -0.0001
280 0.5100 nan 0.0918 -0.0000
300 0.5094 nan 0.0918 -0.0001
320 0.5087 nan 0.0918 -0.0001
340 0.5079 nan 0.0918 -0.0000
360 0.5076 nan 0.0918 -0.0001
380 0.5067 nan 0.0918 -0.0001
389 0.5064 nan 0.0918 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.0936 0.0001
2 0.5264 nan 0.0936 0.0001
3 0.5262 nan 0.0936 -0.0000
4 0.5261 nan 0.0936 0.0000
5 0.5259 nan 0.0936 0.0001
6 0.5257 nan 0.0936 0.0000
7 0.5257 nan 0.0936 -0.0000
8 0.5255 nan 0.0936 0.0000
9 0.5255 nan 0.0936 0.0000
10 0.5254 nan 0.0936 0.0000
20 0.5246 nan 0.0936 -0.0000
40 0.5238 nan 0.0936 -0.0000
60 0.5232 nan 0.0936 -0.0000
80 0.5232 nan 0.0936 -0.0000
100 0.5228 nan 0.0936 -0.0000
120 0.5224 nan 0.0936 -0.0000
140 0.5220 nan 0.0936 -0.0000
160 0.5218 nan 0.0936 -0.0000
180 0.5214 nan 0.0936 -0.0000
200 0.5213 nan 0.0936 -0.0000
220 0.5209 nan 0.0936 0.0000
240 0.5205 nan 0.0936 -0.0000
260 0.5201 nan 0.0936 -0.0000
280 0.5198 nan 0.0936 -0.0001
300 0.5196 nan 0.0936 -0.0000
320 0.5193 nan 0.0936 -0.0000
340 0.5190 nan 0.0936 -0.0000
360 0.5188 nan 0.0936 -0.0000
380 0.5185 nan 0.0936 -0.0000
400 0.5182 nan 0.0936 -0.0000
420 0.5179 nan 0.0936 -0.0000
440 0.5174 nan 0.0936 0.0001
460 0.5172 nan 0.0936 -0.0000
480 0.5170 nan 0.0936 -0.0000
500 0.5167 nan 0.0936 -0.0000
520 0.5165 nan 0.0936 -0.0000
540 0.5162 nan 0.0936 -0.0000
560 0.5161 nan 0.0936 -0.0001
580 0.5161 nan 0.0936 -0.0000
600 0.5158 nan 0.0936 -0.0000
620 0.5156 nan 0.0936 -0.0001
640 0.5157 nan 0.0936 -0.0000
660 0.5155 nan 0.0936 -0.0000
680 0.5152 nan 0.0936 -0.0001
700 0.5151 nan 0.0936 -0.0000
720 0.5148 nan 0.0936 -0.0000
733 0.5146 nan 0.0936 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.0945 0.0002
2 0.5261 nan 0.0945 0.0001
3 0.5259 nan 0.0945 0.0000
4 0.5257 nan 0.0945 -0.0003
5 0.5255 nan 0.0945 0.0000
6 0.5252 nan 0.0945 0.0000
7 0.5251 nan 0.0945 -0.0000
8 0.5249 nan 0.0945 -0.0000
9 0.5246 nan 0.0945 -0.0000
10 0.5244 nan 0.0945 -0.0000
20 0.5233 nan 0.0945 -0.0001
40 0.5209 nan 0.0945 -0.0000
60 0.5189 nan 0.0945 -0.0001
80 0.5174 nan 0.0945 -0.0000
100 0.5161 nan 0.0945 -0.0001
120 0.5151 nan 0.0945 -0.0000
140 0.5143 nan 0.0945 -0.0001
160 0.5135 nan 0.0945 -0.0001
180 0.5122 nan 0.0945 -0.0001
200 0.5112 nan 0.0945 -0.0001
220 0.5107 nan 0.0945 -0.0000
240 0.5098 nan 0.0945 -0.0001
256 0.5089 nan 0.0945 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.0993 0.0000
2 0.5267 nan 0.0993 0.0000
3 0.5265 nan 0.0993 0.0000
4 0.5264 nan 0.0993 0.0000
5 0.5263 nan 0.0993 0.0000
6 0.5262 nan 0.0993 0.0001
7 0.5261 nan 0.0993 -0.0000
8 0.5261 nan 0.0993 0.0000
9 0.5260 nan 0.0993 0.0000
10 0.5259 nan 0.0993 0.0000
20 0.5253 nan 0.0993 0.0000
40 0.5247 nan 0.0993 -0.0000
60 0.5244 nan 0.0993 -0.0000
80 0.5243 nan 0.0993 -0.0000
100 0.5241 nan 0.0993 -0.0000
120 0.5242 nan 0.0993 -0.0000
140 0.5238 nan 0.0993 -0.0000
160 0.5238 nan 0.0993 -0.0000
180 0.5238 nan 0.0993 -0.0000
200 0.5236 nan 0.0993 0.0000
220 0.5236 nan 0.0993 -0.0000
240 0.5234 nan 0.0993 -0.0000
260 0.5233 nan 0.0993 -0.0000
280 0.5232 nan 0.0993 -0.0000
300 0.5231 nan 0.0993 -0.0000
320 0.5231 nan 0.0993 -0.0000
340 0.5230 nan 0.0993 -0.0000
360 0.5229 nan 0.0993 -0.0000
380 0.5229 nan 0.0993 -0.0000
400 0.5228 nan 0.0993 -0.0000
420 0.5228 nan 0.0993 -0.0000
440 0.5227 nan 0.0993 -0.0000
460 0.5227 nan 0.0993 -0.0000
480 0.5226 nan 0.0993 -0.0000
500 0.5225 nan 0.0993 -0.0000
520 0.5225 nan 0.0993 -0.0000
540 0.5226 nan 0.0993 -0.0000
560 0.5224 nan 0.0993 -0.0000
580 0.5225 nan 0.0993 -0.0000
600 0.5225 nan 0.0993 0.0000
620 0.5224 nan 0.0993 -0.0000
640 0.5223 nan 0.0993 -0.0000
660 0.5222 nan 0.0993 -0.0000
680 0.5222 nan 0.0993 -0.0000
700 0.5223 nan 0.0993 -0.0000
720 0.5222 nan 0.0993 -0.0000
740 0.5222 nan 0.0993 -0.0000
760 0.5221 nan 0.0993 -0.0000
780 0.5221 nan 0.0993 -0.0000
800 0.5220 nan 0.0993 -0.0000
820 0.5220 nan 0.0993 -0.0000
840 0.5219 nan 0.0993 -0.0000
860 0.5220 nan 0.0993 -0.0000
869 0.5224 nan 0.0993 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5266 nan 0.0994 0.0001
2 0.5263 nan 0.0994 0.0001
3 0.5260 nan 0.0994 0.0001
4 0.5258 nan 0.0994 0.0001
5 0.5256 nan 0.0994 -0.0000
6 0.5255 nan 0.0994 0.0000
7 0.5253 nan 0.0994 0.0000
8 0.5252 nan 0.0994 0.0000
9 0.5251 nan 0.0994 -0.0000
10 0.5250 nan 0.0994 0.0000
20 0.5240 nan 0.0994 -0.0000
40 0.5229 nan 0.0994 -0.0001
60 0.5218 nan 0.0994 -0.0000
80 0.5213 nan 0.0994 -0.0001
100 0.5211 nan 0.0994 -0.0000
120 0.5203 nan 0.0994 -0.0000
140 0.5196 nan 0.0994 -0.0001
160 0.5192 nan 0.0994 -0.0000
180 0.5185 nan 0.0994 0.0000
200 0.5179 nan 0.0994 -0.0000
220 0.5174 nan 0.0994 -0.0000
240 0.5168 nan 0.0994 -0.0000
260 0.5162 nan 0.0994 -0.0000
280 0.5158 nan 0.0994 -0.0000
300 0.5152 nan 0.0994 -0.0001
320 0.5152 nan 0.0994 -0.0000
340 0.5147 nan 0.0994 -0.0001
360 0.5143 nan 0.0994 -0.0001
380 0.5138 nan 0.0994 -0.0000
400 0.5135 nan 0.0994 -0.0000
420 0.5130 nan 0.0994 -0.0001
440 0.5127 nan 0.0994 -0.0001
460 0.5122 nan 0.0994 -0.0001
480 0.5119 nan 0.0994 -0.0001
500 0.5115 nan 0.0994 -0.0001
520 0.5114 nan 0.0994 -0.0000
540 0.5110 nan 0.0994 -0.0000
560 0.5105 nan 0.0994 -0.0001
580 0.5102 nan 0.0994 -0.0000
600 0.5098 nan 0.0994 -0.0001
620 0.5101 nan 0.0994 -0.0000
640 0.5098 nan 0.0994 -0.0001
660 0.5093 nan 0.0994 -0.0000
680 0.5090 nan 0.0994 -0.0001
696 0.5088 nan 0.0994 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.1004 0.0001
2 0.5263 nan 0.1004 0.0000
3 0.5260 nan 0.1004 0.0001
4 0.5259 nan 0.1004 0.0000
5 0.5256 nan 0.1004 0.0000
6 0.5255 nan 0.1004 0.0000
7 0.5253 nan 0.1004 0.0000
8 0.5254 nan 0.1004 -0.0005
9 0.5251 nan 0.1004 0.0000
10 0.5249 nan 0.1004 0.0000
20 0.5238 nan 0.1004 -0.0000
40 0.5224 nan 0.1004 -0.0001
60 0.5214 nan 0.1004 -0.0000
80 0.5199 nan 0.1004 -0.0002
100 0.5189 nan 0.1004 -0.0001
120 0.5178 nan 0.1004 -0.0001
140 0.5166 nan 0.1004 -0.0000
160 0.5161 nan 0.1004 -0.0001
180 0.5152 nan 0.1004 -0.0001
200 0.5146 nan 0.1004 -0.0000
220 0.5138 nan 0.1004 -0.0000
240 0.5130 nan 0.1004 -0.0001
260 0.5122 nan 0.1004 -0.0000
280 0.5116 nan 0.1004 -0.0000
300 0.5110 nan 0.1004 -0.0001
320 0.5102 nan 0.1004 -0.0001
340 0.5098 nan 0.1004 -0.0001
360 0.5092 nan 0.1004 -0.0001
380 0.5087 nan 0.1004 -0.0001
400 0.5084 nan 0.1004 -0.0000
420 0.5079 nan 0.1004 -0.0001
440 0.5077 nan 0.1004 -0.0001
460 0.5072 nan 0.1004 -0.0000
480 0.5067 nan 0.1004 -0.0001
500 0.5062 nan 0.1004 -0.0000
520 0.5061 nan 0.1004 -0.0000
540 0.5055 nan 0.1004 -0.0000
560 0.5051 nan 0.1004 -0.0001
580 0.5045 nan 0.1004 -0.0001
600 0.5041 nan 0.1004 -0.0000
620 0.5037 nan 0.1004 -0.0001
640 0.5033 nan 0.1004 -0.0001
660 0.5029 nan 0.1004 -0.0000
680 0.5025 nan 0.1004 -0.0001
700 0.5023 nan 0.1004 -0.0001
720 0.5018 nan 0.1004 -0.0001
740 0.5017 nan 0.1004 -0.0000
760 0.5011 nan 0.1004 -0.0001
780 0.5008 nan 0.1004 -0.0000
787 0.5007 nan 0.1004 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.1013 0.0001
2 0.5262 nan 0.1013 0.0001
3 0.5258 nan 0.1013 0.0001
4 0.5255 nan 0.1013 0.0000
5 0.5253 nan 0.1013 0.0000
6 0.5251 nan 0.1013 -0.0000
7 0.5249 nan 0.1013 -0.0000
8 0.5248 nan 0.1013 -0.0000
9 0.5246 nan 0.1013 0.0000
10 0.5244 nan 0.1013 0.0000
20 0.5231 nan 0.1013 -0.0000
40 0.5218 nan 0.1013 -0.0000
60 0.5204 nan 0.1013 -0.0000
80 0.5193 nan 0.1013 -0.0001
100 0.5181 nan 0.1013 -0.0001
120 0.5172 nan 0.1013 -0.0001
140 0.5163 nan 0.1013 -0.0001
160 0.5156 nan 0.1013 -0.0001
180 0.5149 nan 0.1013 -0.0000
200 0.5140 nan 0.1013 -0.0000
220 0.5133 nan 0.1013 -0.0000
240 0.5130 nan 0.1013 -0.0001
260 0.5123 nan 0.1013 -0.0001
280 0.5121 nan 0.1013 -0.0001
300 0.5116 nan 0.1013 -0.0001
320 0.5108 nan 0.1013 -0.0001
340 0.5102 nan 0.1013 -0.0000
360 0.5095 nan 0.1013 -0.0000
380 0.5091 nan 0.1013 -0.0001
400 0.5087 nan 0.1013 -0.0001
420 0.5081 nan 0.1013 -0.0001
440 0.5074 nan 0.1013 -0.0000
460 0.5072 nan 0.1013 -0.0000
480 0.5065 nan 0.1013 -0.0001
500 0.5059 nan 0.1013 -0.0001
520 0.5056 nan 0.1013 -0.0000
540 0.5055 nan 0.1013 -0.0001
560 0.5047 nan 0.1013 -0.0001
580 0.5041 nan 0.1013 -0.0001
600 0.5035 nan 0.1013 -0.0000
601 0.5035 nan 0.1013 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5266 nan 0.1019 0.0001
2 0.5263 nan 0.1019 0.0000
3 0.5259 nan 0.1019 0.0001
4 0.5257 nan 0.1019 0.0000
5 0.5254 nan 0.1019 0.0000
6 0.5252 nan 0.1019 0.0000
7 0.5250 nan 0.1019 0.0000
8 0.5248 nan 0.1019 -0.0001
9 0.5245 nan 0.1019 0.0000
10 0.5244 nan 0.1019 -0.0000
20 0.5232 nan 0.1019 -0.0000
40 0.5212 nan 0.1019 -0.0000
60 0.5196 nan 0.1019 -0.0000
80 0.5181 nan 0.1019 -0.0000
100 0.5169 nan 0.1019 -0.0001
120 0.5156 nan 0.1019 -0.0001
140 0.5144 nan 0.1019 -0.0000
160 0.5134 nan 0.1019 -0.0000
180 0.5123 nan 0.1019 -0.0001
200 0.5112 nan 0.1019 -0.0001
220 0.5104 nan 0.1019 0.0000
240 0.5098 nan 0.1019 -0.0001
260 0.5096 nan 0.1019 -0.0001
280 0.5088 nan 0.1019 -0.0001
300 0.5080 nan 0.1019 -0.0001
320 0.5073 nan 0.1019 -0.0000
340 0.5067 nan 0.1019 -0.0001
360 0.5059 nan 0.1019 -0.0001
380 0.5051 nan 0.1019 -0.0001
400 0.5044 nan 0.1019 -0.0000
420 0.5037 nan 0.1019 -0.0001
440 0.5030 nan 0.1019 -0.0000
460 0.5025 nan 0.1019 -0.0001
480 0.5022 nan 0.1019 -0.0000
500 0.5015 nan 0.1019 -0.0001
520 0.5016 nan 0.1019 -0.0001
540 0.5011 nan 0.1019 -0.0001
560 0.5005 nan 0.1019 -0.0001
580 0.4999 nan 0.1019 -0.0001
600 0.4996 nan 0.1019 -0.0001
620 0.4992 nan 0.1019 -0.0001
640 0.4988 nan 0.1019 -0.0001
645 0.4986 nan 0.1019 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5266 nan 0.1032 0.0001
2 0.5262 nan 0.1032 0.0001
3 0.5259 nan 0.1032 0.0001
4 0.5257 nan 0.1032 0.0000
5 0.5255 nan 0.1032 0.0001
6 0.5253 nan 0.1032 0.0000
7 0.5253 nan 0.1032 -0.0004
8 0.5252 nan 0.1032 -0.0000
9 0.5251 nan 0.1032 -0.0000
10 0.5250 nan 0.1032 0.0000
20 0.5237 nan 0.1032 -0.0000
40 0.5224 nan 0.1032 -0.0001
60 0.5215 nan 0.1032 -0.0000
80 0.5200 nan 0.1032 -0.0001
100 0.5187 nan 0.1032 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5264 nan 0.1044 0.0002
2 0.5261 nan 0.1044 0.0001
3 0.5258 nan 0.1044 0.0000
4 0.5255 nan 0.1044 0.0001
5 0.5252 nan 0.1044 -0.0000
6 0.5250 nan 0.1044 -0.0000
7 0.5248 nan 0.1044 -0.0000
8 0.5246 nan 0.1044 0.0000
9 0.5244 nan 0.1044 0.0000
10 0.5242 nan 0.1044 -0.0000
20 0.5230 nan 0.1044 0.0000
40 0.5215 nan 0.1044 -0.0001
60 0.5195 nan 0.1044 -0.0001
80 0.5179 nan 0.1044 -0.0000
100 0.5167 nan 0.1044 -0.0001
120 0.5152 nan 0.1044 -0.0000
140 0.5140 nan 0.1044 -0.0000
160 0.5124 nan 0.1044 -0.0001
180 0.5109 nan 0.1044 -0.0001
200 0.5105 nan 0.1044 -0.0001
220 0.5095 nan 0.1044 0.0001
240 0.5080 nan 0.1044 -0.0001
260 0.5071 nan 0.1044 -0.0000
280 0.5063 nan 0.1044 -0.0004
300 0.5056 nan 0.1044 -0.0000
320 0.5047 nan 0.1044 -0.0001
340 0.5041 nan 0.1044 -0.0001
360 0.5037 nan 0.1044 -0.0000
380 0.5027 nan 0.1044 -0.0001
400 0.5024 nan 0.1044 -0.0001
420 0.5013 nan 0.1044 -0.0001
440 0.5003 nan 0.1044 -0.0001
460 0.4995 nan 0.1044 -0.0001
480 0.4985 nan 0.1044 -0.0000
500 0.4981 nan 0.1044 -0.0000
520 0.4973 nan 0.1044 -0.0000
540 0.4967 nan 0.1044 -0.0000
560 0.4961 nan 0.1044 -0.0001
580 0.4958 nan 0.1044 -0.0000
600 0.4950 nan 0.1044 -0.0000
620 0.4953 nan 0.1044 -0.0001
640 0.4948 nan 0.1044 -0.0001
660 0.4940 nan 0.1044 -0.0000
680 0.4933 nan 0.1044 -0.0003
700 0.4926 nan 0.1044 -0.0001
720 0.4926 nan 0.1044 -0.0000
740 0.4919 nan 0.1044 -0.0000
760 0.4909 nan 0.1044 -0.0001
764 0.4908 nan 0.1044 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.1045 0.0001
2 0.5267 nan 0.1045 0.0000
3 0.5265 nan 0.1045 0.0001
4 0.5264 nan 0.1045 0.0000
5 0.5263 nan 0.1045 0.0001
6 0.5262 nan 0.1045 0.0000
7 0.5261 nan 0.1045 0.0000
8 0.5260 nan 0.1045 0.0000
9 0.5260 nan 0.1045 0.0000
10 0.5258 nan 0.1045 0.0000
20 0.5253 nan 0.1045 0.0000
40 0.5247 nan 0.1045 -0.0000
60 0.5243 nan 0.1045 0.0000
80 0.5242 nan 0.1045 -0.0000
100 0.5242 nan 0.1045 -0.0000
120 0.5239 nan 0.1045 -0.0000
140 0.5238 nan 0.1045 -0.0000
160 0.5236 nan 0.1045 -0.0000
179 0.5236 nan 0.1045 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.1147 0.0001
2 0.5262 nan 0.1147 0.0001
3 0.5260 nan 0.1147 0.0000
4 0.5257 nan 0.1147 0.0001
5 0.5255 nan 0.1147 -0.0000
6 0.5252 nan 0.1147 0.0000
7 0.5251 nan 0.1147 -0.0000
8 0.5248 nan 0.1147 0.0000
9 0.5246 nan 0.1147 0.0000
10 0.5244 nan 0.1147 -0.0000
20 0.5236 nan 0.1147 -0.0000
40 0.5221 nan 0.1147 -0.0000
60 0.5212 nan 0.1147 -0.0000
80 0.5200 nan 0.1147 -0.0000
100 0.5186 nan 0.1147 -0.0000
120 0.5189 nan 0.1147 -0.0008
140 0.5171 nan 0.1147 -0.0000
160 0.5161 nan 0.1147 -0.0001
180 0.5153 nan 0.1147 -0.0000
200 0.5143 nan 0.1147 -0.0000
220 0.5137 nan 0.1147 -0.0001
240 0.5133 nan 0.1147 -0.0000
260 0.5127 nan 0.1147 -0.0000
280 0.5121 nan 0.1147 -0.0002
300 0.5113 nan 0.1147 -0.0000
320 0.5102 nan 0.1147 -0.0001
340 0.5103 nan 0.1147 -0.0007
360 0.5099 nan 0.1147 -0.0001
380 0.5089 nan 0.1147 -0.0001
400 0.5082 nan 0.1147 -0.0000
420 0.5074 nan 0.1147 -0.0000
440 0.5071 nan 0.1147 -0.0004
460 0.5059 nan 0.1147 -0.0001
480 0.5053 nan 0.1147 -0.0000
500 0.5047 nan 0.1147 -0.0001
520 0.5039 nan 0.1147 -0.0001
540 0.5034 nan 0.1147 -0.0001
560 0.5030 nan 0.1147 -0.0001
580 0.5026 nan 0.1147 -0.0001
600 0.5021 nan 0.1147 -0.0000
620 0.5018 nan 0.1147 -0.0003
640 0.5018 nan 0.1147 -0.0000
660 0.5014 nan 0.1147 -0.0000
680 0.5013 nan 0.1147 -0.0001
700 0.5003 nan 0.1147 -0.0000
720 0.4996 nan 0.1147 -0.0001
740 0.4991 nan 0.1147 -0.0001
756 0.4988 nan 0.1147 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.1164 0.0001
2 0.5263 nan 0.1164 0.0000
3 0.5260 nan 0.1164 0.0001
4 0.5258 nan 0.1164 0.0000
5 0.5255 nan 0.1164 0.0000
6 0.5253 nan 0.1164 0.0000
7 0.5251 nan 0.1164 0.0000
8 0.5249 nan 0.1164 0.0000
9 0.5248 nan 0.1164 0.0000
10 0.5246 nan 0.1164 -0.0000
20 0.5235 nan 0.1164 -0.0000
40 0.5224 nan 0.1164 -0.0001
60 0.5212 nan 0.1164 0.0000
80 0.5205 nan 0.1164 -0.0001
100 0.5195 nan 0.1164 -0.0000
120 0.5189 nan 0.1164 -0.0001
140 0.5182 nan 0.1164 -0.0000
160 0.5175 nan 0.1164 -0.0001
180 0.5167 nan 0.1164 -0.0001
200 0.5159 nan 0.1164 -0.0001
220 0.5154 nan 0.1164 -0.0001
240 0.5149 nan 0.1164 -0.0001
260 0.5144 nan 0.1164 -0.0001
280 0.5141 nan 0.1164 -0.0000
300 0.5136 nan 0.1164 -0.0000
320 0.5138 nan 0.1164 -0.0001
340 0.5131 nan 0.1164 -0.0000
360 0.5126 nan 0.1164 -0.0001
380 0.5123 nan 0.1164 -0.0000
400 0.5119 nan 0.1164 -0.0000
420 0.5117 nan 0.1164 -0.0001
440 0.5113 nan 0.1164 -0.0001
460 0.5108 nan 0.1164 -0.0001
480 0.5104 nan 0.1164 -0.0001
500 0.5100 nan 0.1164 -0.0001
520 0.5097 nan 0.1164 -0.0000
540 0.5094 nan 0.1164 -0.0000
560 0.5091 nan 0.1164 -0.0001
580 0.5088 nan 0.1164 -0.0001
600 0.5084 nan 0.1164 -0.0000
620 0.5081 nan 0.1164 -0.0000
640 0.5077 nan 0.1164 -0.0001
660 0.5074 nan 0.1164 -0.0001
680 0.5071 nan 0.1164 -0.0000
700 0.5068 nan 0.1164 -0.0001
720 0.5064 nan 0.1164 -0.0001
740 0.5061 nan 0.1164 -0.0001
760 0.5059 nan 0.1164 -0.0001
780 0.5056 nan 0.1164 -0.0000
800 0.5053 nan 0.1164 -0.0001
820 0.5051 nan 0.1164 -0.0001
840 0.5049 nan 0.1164 -0.0000
860 0.5044 nan 0.1164 -0.0000
880 0.5041 nan 0.1164 -0.0001
900 0.5039 nan 0.1164 -0.0001
920 0.5043 nan 0.1164 -0.0001
938 0.5039 nan 0.1164 0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5266 nan 0.1195 0.0001
2 0.5264 nan 0.1195 0.0001
3 0.5262 nan 0.1195 0.0000
4 0.5259 nan 0.1195 0.0000
5 0.5257 nan 0.1195 -0.0000
6 0.5256 nan 0.1195 0.0000
7 0.5254 nan 0.1195 0.0000
8 0.5253 nan 0.1195 -0.0000
9 0.5252 nan 0.1195 0.0000
10 0.5252 nan 0.1195 -0.0000
20 0.5247 nan 0.1195 0.0000
40 0.5240 nan 0.1195 -0.0000
60 0.5233 nan 0.1195 0.0000
80 0.5227 nan 0.1195 -0.0000
100 0.5222 nan 0.1195 -0.0000
120 0.5221 nan 0.1195 -0.0000
140 0.5213 nan 0.1195 -0.0001
160 0.5208 nan 0.1195 -0.0000
180 0.5206 nan 0.1195 0.0000
200 0.5201 nan 0.1195 -0.0000
220 0.5204 nan 0.1195 -0.0000
240 0.5196 nan 0.1195 -0.0000
260 0.5195 nan 0.1195 -0.0002
280 0.5190 nan 0.1195 -0.0000
300 0.5184 nan 0.1195 -0.0000
320 0.5182 nan 0.1195 -0.0000
340 0.5182 nan 0.1195 -0.0001
358 0.5181 nan 0.1195 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.1204 0.0001
2 0.5262 nan 0.1204 0.0001
3 0.5259 nan 0.1204 0.0000
4 0.5257 nan 0.1204 0.0000
5 0.5254 nan 0.1204 0.0001
6 0.5252 nan 0.1204 0.0000
7 0.5250 nan 0.1204 -0.0000
8 0.5248 nan 0.1204 0.0000
9 0.5246 nan 0.1204 0.0000
10 0.5245 nan 0.1204 -0.0000
20 0.5237 nan 0.1204 -0.0000
40 0.5225 nan 0.1204 -0.0000
60 0.5217 nan 0.1204 -0.0001
80 0.5206 nan 0.1204 -0.0000
100 0.5202 nan 0.1204 -0.0000
120 0.5194 nan 0.1204 -0.0000
140 0.5185 nan 0.1204 -0.0000
160 0.5180 nan 0.1204 -0.0000
180 0.5174 nan 0.1204 -0.0000
200 0.5166 nan 0.1204 -0.0000
220 0.5159 nan 0.1204 -0.0001
240 0.5152 nan 0.1204 -0.0001
260 0.5151 nan 0.1204 -0.0007
280 0.5142 nan 0.1204 -0.0000
300 0.5133 nan 0.1204 -0.0000
320 0.5138 nan 0.1204 -0.0001
340 0.5135 nan 0.1204 -0.0000
360 0.5131 nan 0.1204 -0.0001
380 0.5125 nan 0.1204 -0.0001
400 0.5121 nan 0.1204 -0.0000
420 0.5117 nan 0.1204 -0.0001
440 0.5111 nan 0.1204 -0.0001
460 0.5112 nan 0.1204 -0.0001
480 0.5107 nan 0.1204 -0.0001
500 0.5102 nan 0.1204 -0.0001
520 0.5098 nan 0.1204 -0.0000
540 0.5093 nan 0.1204 -0.0001
560 0.5090 nan 0.1204 -0.0001
580 0.5086 nan 0.1204 -0.0000
600 0.5087 nan 0.1204 -0.0001
620 0.5082 nan 0.1204 -0.0000
640 0.5078 nan 0.1204 -0.0001
660 0.5074 nan 0.1204 -0.0000
680 0.5082 nan 0.1204 -0.0009
700 0.5073 nan 0.1204 -0.0001
720 0.5070 nan 0.1204 -0.0001
740 0.5067 nan 0.1204 -0.0001
760 0.5063 nan 0.1204 -0.0000
780 0.5063 nan 0.1204 -0.0001
800 0.5059 nan 0.1204 -0.0000
820 0.5056 nan 0.1204 -0.0001
840 0.5052 nan 0.1204 -0.0000
860 0.5048 nan 0.1204 -0.0000
880 0.5046 nan 0.1204 -0.0001
900 0.5045 nan 0.1204 -0.0000
920 0.5047 nan 0.1204 -0.0006
922 0.5046 nan 0.1204 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.1207 0.0000
2 0.5265 nan 0.1207 0.0001
3 0.5264 nan 0.1207 0.0001
4 0.5262 nan 0.1207 0.0000
5 0.5261 nan 0.1207 0.0000
6 0.5260 nan 0.1207 0.0000
7 0.5259 nan 0.1207 0.0000
8 0.5258 nan 0.1207 -0.0000
9 0.5257 nan 0.1207 -0.0000
10 0.5256 nan 0.1207 -0.0000
20 0.5250 nan 0.1207 -0.0000
40 0.5245 nan 0.1207 -0.0000
60 0.5243 nan 0.1207 -0.0000
80 0.5242 nan 0.1207 0.0000
100 0.5239 nan 0.1207 -0.0000
120 0.5238 nan 0.1207 -0.0000
140 0.5236 nan 0.1207 -0.0000
160 0.5235 nan 0.1207 -0.0000
180 0.5234 nan 0.1207 -0.0000
200 0.5233 nan 0.1207 -0.0000
220 0.5231 nan 0.1207 -0.0001
221 0.5231 nan 0.1207 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5266 nan 0.1239 0.0000
2 0.5262 nan 0.1239 0.0001
3 0.5258 nan 0.1239 0.0001
4 0.5256 nan 0.1239 0.0000
5 0.5254 nan 0.1239 0.0000
6 0.5252 nan 0.1239 0.0000
7 0.5250 nan 0.1239 -0.0000
8 0.5249 nan 0.1239 -0.0001
9 0.5247 nan 0.1239 0.0000
10 0.5245 nan 0.1239 0.0000
20 0.5231 nan 0.1239 -0.0000
40 0.5213 nan 0.1239 -0.0000
60 0.5199 nan 0.1239 -0.0001
80 0.5190 nan 0.1239 -0.0000
100 0.5179 nan 0.1239 -0.0001
120 0.5166 nan 0.1239 -0.0002
140 0.5155 nan 0.1239 -0.0007
160 0.5144 nan 0.1239 -0.0001
180 0.5133 nan 0.1239 -0.0001
200 0.5126 nan 0.1239 -0.0002
220 0.5114 nan 0.1239 -0.0001
240 0.5113 nan 0.1239 -0.0001
260 0.5102 nan 0.1239 0.0001
280 0.5095 nan 0.1239 -0.0001
300 0.5087 nan 0.1239 -0.0000
320 0.5082 nan 0.1239 -0.0001
340 0.5082 nan 0.1239 -0.0001
360 0.5073 nan 0.1239 -0.0001
380 0.5070 nan 0.1239 -0.0001
400 0.5063 nan 0.1239 -0.0001
420 0.5057 nan 0.1239 -0.0001
440 0.5050 nan 0.1239 -0.0001
460 0.5047 nan 0.1239 -0.0001
480 0.5045 nan 0.1239 -0.0001
500 0.5040 nan 0.1239 -0.0001
520 0.5034 nan 0.1239 -0.0001
540 0.5034 nan 0.1239 -0.0000
560 0.5032 nan 0.1239 -0.0001
580 0.5024 nan 0.1239 -0.0000
600 0.5015 nan 0.1239 -0.0001
620 0.5016 nan 0.1239 -0.0001
640 0.5013 nan 0.1239 -0.0004
660 0.5008 nan 0.1239 -0.0005
680 0.4999 nan 0.1239 -0.0001
700 0.4993 nan 0.1239 -0.0000
720 0.4986 nan 0.1239 -0.0001
740 0.4981 nan 0.1239 -0.0000
755 0.4982 nan 0.1239 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.1270 0.0001
2 0.5266 nan 0.1270 0.0000
3 0.5264 nan 0.1270 0.0000
4 0.5262 nan 0.1270 0.0001
5 0.5261 nan 0.1270 0.0000
6 0.5260 nan 0.1270 0.0000
7 0.5259 nan 0.1270 0.0000
8 0.5258 nan 0.1270 0.0000
9 0.5257 nan 0.1270 0.0000
10 0.5257 nan 0.1270 -0.0000
20 0.5251 nan 0.1270 0.0000
40 0.5245 nan 0.1270 -0.0000
60 0.5242 nan 0.1270 -0.0000
80 0.5240 nan 0.1270 -0.0000
100 0.5239 nan 0.1270 -0.0000
120 0.5237 nan 0.1270 -0.0001
140 0.5236 nan 0.1270 -0.0000
160 0.5235 nan 0.1270 -0.0000
180 0.5234 nan 0.1270 -0.0000
200 0.5233 nan 0.1270 -0.0000
220 0.5232 nan 0.1270 -0.0000
240 0.5231 nan 0.1270 -0.0000
260 0.5231 nan 0.1270 -0.0000
280 0.5230 nan 0.1270 -0.0000
300 0.5229 nan 0.1270 -0.0000
320 0.5229 nan 0.1270 -0.0000
340 0.5228 nan 0.1270 -0.0000
360 0.5228 nan 0.1270 -0.0000
380 0.5227 nan 0.1270 -0.0000
400 0.5227 nan 0.1270 -0.0000
420 0.5230 nan 0.1270 -0.0000
440 0.5229 nan 0.1270 -0.0000
460 0.5227 nan 0.1270 -0.0000
479 0.5226 nan 0.1270 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.1323 0.0000
2 0.5262 nan 0.1323 0.0000
3 0.5259 nan 0.1323 0.0000
4 0.5256 nan 0.1323 0.0000
5 0.5254 nan 0.1323 0.0000
6 0.5252 nan 0.1323 -0.0000
7 0.5253 nan 0.1323 -0.0006
8 0.5251 nan 0.1323 -0.0001
9 0.5249 nan 0.1323 0.0000
10 0.5247 nan 0.1323 0.0000
20 0.5235 nan 0.1323 -0.0000
40 0.5214 nan 0.1323 -0.0001
60 0.5198 nan 0.1323 0.0000
80 0.5184 nan 0.1323 -0.0000
100 0.5172 nan 0.1323 -0.0001
120 0.5171 nan 0.1323 -0.0001
140 0.5160 nan 0.1323 -0.0000
160 0.5148 nan 0.1323 -0.0001
180 0.5137 nan 0.1323 -0.0000
200 0.5127 nan 0.1323 -0.0001
220 0.5117 nan 0.1323 -0.0001
240 0.5110 nan 0.1323 -0.0001
260 0.5102 nan 0.1323 -0.0000
280 0.5098 nan 0.1323 -0.0001
300 0.5087 nan 0.1323 -0.0001
320 0.5085 nan 0.1323 -0.0008
340 0.5073 nan 0.1323 -0.0001
360 0.5066 nan 0.1323 -0.0000
380 0.5065 nan 0.1323 -0.0001
400 0.5059 nan 0.1323 -0.0001
420 0.5051 nan 0.1323 -0.0000
440 0.5046 nan 0.1323 -0.0001
460 0.5038 nan 0.1323 -0.0001
480 0.5034 nan 0.1323 -0.0001
500 0.5028 nan 0.1323 -0.0000
520 0.5023 nan 0.1323 -0.0000
540 0.5017 nan 0.1323 -0.0001
558 0.5011 nan 0.1323 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5264 nan 0.1340 0.0001
2 0.5261 nan 0.1340 0.0000
3 0.5258 nan 0.1340 0.0001
4 0.5255 nan 0.1340 0.0001
5 0.5252 nan 0.1340 0.0000
6 0.5249 nan 0.1340 -0.0000
7 0.5245 nan 0.1340 0.0001
8 0.5243 nan 0.1340 -0.0000
9 0.5241 nan 0.1340 0.0000
10 0.5239 nan 0.1340 -0.0000
20 0.5227 nan 0.1340 -0.0000
40 0.5203 nan 0.1340 -0.0000
60 0.5188 nan 0.1340 -0.0000
80 0.5171 nan 0.1340 -0.0001
100 0.5156 nan 0.1340 -0.0000
120 0.5140 nan 0.1340 -0.0002
140 0.5123 nan 0.1340 -0.0001
160 0.5114 nan 0.1340 -0.0013
180 0.5096 nan 0.1340 -0.0002
200 0.5080 nan 0.1340 -0.0001
220 0.5076 nan 0.1340 -0.0008
240 0.5057 nan 0.1340 -0.0001
260 0.5052 nan 0.1340 -0.0001
280 0.5040 nan 0.1340 -0.0000
300 0.5027 nan 0.1340 -0.0003
320 0.5013 nan 0.1340 -0.0000
340 0.5010 nan 0.1340 -0.0000
360 0.5007 nan 0.1340 -0.0002
380 0.4996 nan 0.1340 -0.0001
400 0.4985 nan 0.1340 -0.0000
420 0.4981 nan 0.1340 -0.0006
440 0.4969 nan 0.1340 -0.0001
460 0.4963 nan 0.1340 -0.0003
480 0.4949 nan 0.1340 -0.0000
500 0.4946 nan 0.1340 -0.0000
520 0.4942 nan 0.1340 -0.0005
540 0.4929 nan 0.1340 -0.0001
560 0.4924 nan 0.1340 -0.0000
573 0.4919 nan 0.1340 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.1341 0.0001
2 0.5266 nan 0.1341 0.0000
3 0.5263 nan 0.1341 0.0001
4 0.5262 nan 0.1341 0.0000
5 0.5261 nan 0.1341 0.0000
6 0.5259 nan 0.1341 0.0000
7 0.5258 nan 0.1341 0.0000
8 0.5257 nan 0.1341 0.0000
9 0.5257 nan 0.1341 -0.0000
10 0.5256 nan 0.1341 0.0000
20 0.5250 nan 0.1341 -0.0000
40 0.5247 nan 0.1341 -0.0000
60 0.5243 nan 0.1341 -0.0000
80 0.5240 nan 0.1341 -0.0000
100 0.5238 nan 0.1341 -0.0000
120 0.5236 nan 0.1341 -0.0000
140 0.5235 nan 0.1341 -0.0000
160 0.5235 nan 0.1341 -0.0000
180 0.5234 nan 0.1341 -0.0000
200 0.5233 nan 0.1341 -0.0001
220 0.5232 nan 0.1341 -0.0000
240 0.5231 nan 0.1341 -0.0000
260 0.5231 nan 0.1341 -0.0000
280 0.5230 nan 0.1341 -0.0000
300 0.5230 nan 0.1341 -0.0000
320 0.5234 nan 0.1341 -0.0000
340 0.5230 nan 0.1341 -0.0000
360 0.5229 nan 0.1341 -0.0000
380 0.5231 nan 0.1341 -0.0000
388 0.5229 nan 0.1341 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5268 nan 0.1348 0.0001
2 0.5265 nan 0.1348 0.0001
3 0.5264 nan 0.1348 0.0000
4 0.5262 nan 0.1348 0.0000
5 0.5261 nan 0.1348 0.0000
6 0.5260 nan 0.1348 0.0000
7 0.5259 nan 0.1348 0.0000
8 0.5258 nan 0.1348 0.0000
9 0.5257 nan 0.1348 0.0000
10 0.5256 nan 0.1348 0.0000
20 0.5251 nan 0.1348 -0.0000
40 0.5247 nan 0.1348 -0.0000
60 0.5243 nan 0.1348 0.0000
80 0.5240 nan 0.1348 -0.0000
100 0.5238 nan 0.1348 -0.0000
120 0.5236 nan 0.1348 -0.0000
140 0.5234 nan 0.1348 -0.0000
160 0.5234 nan 0.1348 -0.0000
172 0.5233 nan 0.1348 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.1402 0.0001
2 0.5262 nan 0.1402 0.0001
3 0.5259 nan 0.1402 0.0000
4 0.5255 nan 0.1402 0.0001
5 0.5253 nan 0.1402 -0.0000
6 0.5251 nan 0.1402 0.0000
7 0.5249 nan 0.1402 -0.0000
8 0.5248 nan 0.1402 -0.0000
9 0.5248 nan 0.1402 -0.0000
10 0.5247 nan 0.1402 -0.0000
20 0.5237 nan 0.1402 -0.0000
40 0.5224 nan 0.1402 -0.0000
60 0.5215 nan 0.1402 -0.0001
80 0.5204 nan 0.1402 -0.0001
100 0.5201 nan 0.1402 -0.0001
120 0.5191 nan 0.1402 -0.0001
140 0.5182 nan 0.1402 -0.0001
160 0.5173 nan 0.1402 0.0000
180 0.5170 nan 0.1402 -0.0001
200 0.5164 nan 0.1402 -0.0000
220 0.5159 nan 0.1402 -0.0000
228 0.5160 nan 0.1402 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.1450 0.0001
2 0.5265 nan 0.1450 0.0001
3 0.5263 nan 0.1450 -0.0000
4 0.5261 nan 0.1450 -0.0000
5 0.5260 nan 0.1450 0.0001
6 0.5258 nan 0.1450 0.0000
7 0.5257 nan 0.1450 -0.0000
8 0.5257 nan 0.1450 -0.0000
9 0.5256 nan 0.1450 0.0000
10 0.5255 nan 0.1450 -0.0000
20 0.5251 nan 0.1450 -0.0000
40 0.5244 nan 0.1450 -0.0000
60 0.5241 nan 0.1450 -0.0000
80 0.5239 nan 0.1450 -0.0000
100 0.5238 nan 0.1450 -0.0000
120 0.5237 nan 0.1450 -0.0000
140 0.5236 nan 0.1450 -0.0000
160 0.5235 nan 0.1450 -0.0000
180 0.5234 nan 0.1450 -0.0001
200 0.5233 nan 0.1450 -0.0000
220 0.5232 nan 0.1450 -0.0000
240 0.5232 nan 0.1450 -0.0000
260 0.5230 nan 0.1450 -0.0000
280 0.5230 nan 0.1450 -0.0000
300 0.5229 nan 0.1450 -0.0000
320 0.5229 nan 0.1450 -0.0000
340 0.5228 nan 0.1450 -0.0000
360 0.5228 nan 0.1450 -0.0000
380 0.5227 nan 0.1450 -0.0000
400 0.5226 nan 0.1450 -0.0000
420 0.5226 nan 0.1450 -0.0000
440 0.5226 nan 0.1450 -0.0001
456 0.5225 nan 0.1450 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5262 nan 0.1470 0.0001
2 0.5260 nan 0.1470 0.0000
3 0.5256 nan 0.1470 0.0001
4 0.5253 nan 0.1470 0.0001
5 0.5250 nan 0.1470 0.0000
6 0.5247 nan 0.1470 0.0001
7 0.5244 nan 0.1470 0.0000
8 0.5241 nan 0.1470 -0.0000
9 0.5239 nan 0.1470 -0.0001
10 0.5236 nan 0.1470 -0.0000
20 0.5227 nan 0.1470 -0.0001
40 0.5199 nan 0.1470 -0.0000
60 0.5181 nan 0.1470 -0.0001
80 0.5169 nan 0.1470 -0.0002
100 0.5163 nan 0.1470 0.0000
119 0.5153 nan 0.1470 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5266 nan 0.1473 0.0001
2 0.5263 nan 0.1473 0.0001
3 0.5261 nan 0.1473 0.0001
4 0.5258 nan 0.1473 0.0001
5 0.5257 nan 0.1473 0.0000
6 0.5255 nan 0.1473 0.0000
7 0.5254 nan 0.1473 0.0000
8 0.5253 nan 0.1473 -0.0000
9 0.5251 nan 0.1473 -0.0000
10 0.5250 nan 0.1473 -0.0000
20 0.5242 nan 0.1473 0.0000
40 0.5247 nan 0.1473 -0.0000
60 0.5242 nan 0.1473 -0.0000
80 0.5235 nan 0.1473 -0.0001
100 0.5230 nan 0.1473 -0.0000
120 0.5226 nan 0.1473 -0.0000
140 0.5218 nan 0.1473 -0.0001
160 0.5212 nan 0.1473 -0.0000
180 0.5208 nan 0.1473 -0.0000
200 0.5203 nan 0.1473 -0.0000
220 0.5201 nan 0.1473 -0.0001
240 0.5195 nan 0.1473 -0.0001
260 0.5192 nan 0.1473 -0.0000
272 0.5189 nan 0.1473 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5263 nan 0.1526 0.0002
2 0.5259 nan 0.1526 0.0001
3 0.5255 nan 0.1526 0.0000
4 0.5253 nan 0.1526 -0.0000
5 0.5252 nan 0.1526 -0.0000
6 0.5249 nan 0.1526 0.0000
7 0.5247 nan 0.1526 -0.0000
8 0.5245 nan 0.1526 -0.0000
9 0.5243 nan 0.1526 -0.0000
10 0.5240 nan 0.1526 0.0000
20 0.5226 nan 0.1526 -0.0001
40 0.5210 nan 0.1526 -0.0000
60 0.5200 nan 0.1526 -0.0001
80 0.5181 nan 0.1526 -0.0002
100 0.5176 nan 0.1526 -0.0000
120 0.5172 nan 0.1526 -0.0001
140 0.5157 nan 0.1526 -0.0002
160 0.5147 nan 0.1526 -0.0000
180 0.5140 nan 0.1526 -0.0002
200 0.5130 nan 0.1526 -0.0000
220 0.5126 nan 0.1526 -0.0000
240 0.5123 nan 0.1526 -0.0000
260 0.5123 nan 0.1526 -0.0001
280 0.5114 nan 0.1526 -0.0001
300 0.5104 nan 0.1526 -0.0001
320 0.5101 nan 0.1526 -0.0001
340 0.5089 nan 0.1526 -0.0002
360 0.5082 nan 0.1526 -0.0001
380 0.5076 nan 0.1526 -0.0001
400 0.5072 nan 0.1526 -0.0001
420 0.5064 nan 0.1526 -0.0000
440 0.5057 nan 0.1526 -0.0001
460 0.5052 nan 0.1526 -0.0001
480 0.5054 nan 0.1526 -0.0001
500 0.5042 nan 0.1526 -0.0001
520 0.5039 nan 0.1526 -0.0002
540 0.5032 nan 0.1526 -0.0001
560 0.5026 nan 0.1526 -0.0002
580 0.5020 nan 0.1526 -0.0001
600 0.5013 nan 0.1526 -0.0001
620 0.5017 nan 0.1526 -0.0004
640 0.5012 nan 0.1526 -0.0000
660 0.5014 nan 0.1526 -0.0001
680 0.5008 nan 0.1526 -0.0001
700 0.4997 nan 0.1526 -0.0000
720 0.4997 nan 0.1526 -0.0000
738 0.4989 nan 0.1526 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.1541 0.0001
2 0.5265 nan 0.1541 0.0001
3 0.5262 nan 0.1541 0.0000
4 0.5261 nan 0.1541 0.0000
5 0.5259 nan 0.1541 0.0000
6 0.5258 nan 0.1541 0.0001
7 0.5257 nan 0.1541 0.0000
8 0.5256 nan 0.1541 0.0000
9 0.5255 nan 0.1541 -0.0000
10 0.5254 nan 0.1541 0.0000
20 0.5248 nan 0.1541 0.0000
40 0.5243 nan 0.1541 -0.0001
60 0.5241 nan 0.1541 -0.0000
80 0.5240 nan 0.1541 -0.0000
100 0.5238 nan 0.1541 -0.0000
120 0.5236 nan 0.1541 -0.0000
140 0.5235 nan 0.1541 -0.0000
160 0.5234 nan 0.1541 -0.0000
180 0.5233 nan 0.1541 -0.0000
200 0.5232 nan 0.1541 -0.0000
220 0.5231 nan 0.1541 -0.0000
240 0.5231 nan 0.1541 -0.0001
260 0.5233 nan 0.1541 -0.0006
280 0.5229 nan 0.1541 -0.0001
300 0.5228 nan 0.1541 -0.0000
320 0.5228 nan 0.1541 -0.0000
340 0.5227 nan 0.1541 -0.0000
360 0.5226 nan 0.1541 -0.0000
380 0.5225 nan 0.1541 -0.0000
400 0.5225 nan 0.1541 -0.0000
420 0.5224 nan 0.1541 -0.0000
440 0.5224 nan 0.1541 -0.0001
443 0.5224 nan 0.1541 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.1632 0.0000
2 0.5260 nan 0.1632 0.0000
3 0.5257 nan 0.1632 0.0000
4 0.5253 nan 0.1632 0.0001
5 0.5250 nan 0.1632 0.0000
6 0.5250 nan 0.1632 -0.0005
7 0.5247 nan 0.1632 -0.0000
8 0.5243 nan 0.1632 -0.0001
9 0.5242 nan 0.1632 -0.0000
10 0.5243 nan 0.1632 -0.0005
20 0.5225 nan 0.1632 -0.0000
40 0.5211 nan 0.1632 -0.0001
60 0.5187 nan 0.1632 -0.0002
80 0.5174 nan 0.1632 -0.0001
100 0.5151 nan 0.1632 -0.0001
120 0.5149 nan 0.1632 -0.0001
140 0.5129 nan 0.1632 -0.0001
160 0.5107 nan 0.1632 -0.0001
180 0.5098 nan 0.1632 -0.0001
200 0.5085 nan 0.1632 -0.0001
220 0.5068 nan 0.1632 -0.0001
240 0.5062 nan 0.1632 -0.0000
260 0.5046 nan 0.1632 -0.0002
280 0.5036 nan 0.1632 -0.0001
300 0.5027 nan 0.1632 -0.0002
320 0.5020 nan 0.1632 -0.0001
329 0.5016 nan 0.1632 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5263 nan 0.1648 0.0001
2 0.5258 nan 0.1648 -0.0000
3 0.5255 nan 0.1648 -0.0001
4 0.5251 nan 0.1648 0.0000
5 0.5248 nan 0.1648 -0.0000
6 0.5244 nan 0.1648 -0.0000
7 0.5241 nan 0.1648 -0.0001
8 0.5238 nan 0.1648 -0.0000
9 0.5236 nan 0.1648 -0.0001
10 0.5234 nan 0.1648 -0.0000
20 0.5215 nan 0.1648 -0.0001
40 0.5191 nan 0.1648 -0.0000
60 0.5180 nan 0.1648 -0.0009
80 0.5166 nan 0.1648 -0.0009
100 0.5147 nan 0.1648 -0.0001
120 0.5131 nan 0.1648 -0.0001
140 0.5118 nan 0.1648 -0.0001
160 0.5112 nan 0.1648 -0.0001
180 0.5097 nan 0.1648 -0.0001
200 0.5097 nan 0.1648 -0.0001
220 0.5076 nan 0.1648 -0.0001
240 0.5064 nan 0.1648 -0.0002
260 0.5058 nan 0.1648 -0.0001
280 0.5047 nan 0.1648 -0.0001
300 0.5036 nan 0.1648 -0.0001
320 0.5035 nan 0.1648 -0.0001
340 0.5023 nan 0.1648 -0.0001
360 0.5010 nan 0.1648 -0.0001
380 0.5011 nan 0.1648 -0.0001
400 0.5015 nan 0.1648 -0.0009
420 0.5008 nan 0.1648 -0.0001
440 0.4997 nan 0.1648 -0.0001
460 0.4984 nan 0.1648 -0.0001
480 0.4985 nan 0.1648 -0.0001
500 0.4976 nan 0.1648 -0.0001
520 0.4969 nan 0.1648 -0.0002
540 0.4966 nan 0.1648 -0.0002
560 0.4966 nan 0.1648 -0.0001
580 0.4953 nan 0.1648 -0.0001
600 0.4954 nan 0.1648 -0.0001
620 0.4953 nan 0.1648 -0.0001
640 0.4942 nan 0.1648 -0.0001
660 0.4934 nan 0.1648 -0.0001
680 0.4928 nan 0.1648 -0.0001
700 0.4923 nan 0.1648 -0.0001
720 0.4919 nan 0.1648 -0.0001
740 0.4909 nan 0.1648 -0.0001
760 0.4904 nan 0.1648 -0.0001
776 0.4896 nan 0.1648 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.1655 0.0000
2 0.5262 nan 0.1655 0.0001
3 0.5259 nan 0.1655 0.0001
4 0.5255 nan 0.1655 0.0001
5 0.5253 nan 0.1655 0.0001
6 0.5252 nan 0.1655 -0.0000
7 0.5250 nan 0.1655 -0.0001
8 0.5248 nan 0.1655 -0.0000
9 0.5246 nan 0.1655 0.0000
10 0.5245 nan 0.1655 0.0000
20 0.5237 nan 0.1655 -0.0000
40 0.5225 nan 0.1655 -0.0001
60 0.5217 nan 0.1655 -0.0001
80 0.5210 nan 0.1655 -0.0000
100 0.5199 nan 0.1655 -0.0001
120 0.5188 nan 0.1655 -0.0000
140 0.5177 nan 0.1655 -0.0001
160 0.5169 nan 0.1655 -0.0001
180 0.5158 nan 0.1655 -0.0000
200 0.5155 nan 0.1655 -0.0000
220 0.5146 nan 0.1655 -0.0001
240 0.5141 nan 0.1655 -0.0000
260 0.5142 nan 0.1655 -0.0004
280 0.5135 nan 0.1655 -0.0000
300 0.5127 nan 0.1655 -0.0001
320 0.5119 nan 0.1655 -0.0001
340 0.5113 nan 0.1655 -0.0001
360 0.5119 nan 0.1655 -0.0001
380 0.5125 nan 0.1655 -0.0000
400 0.5112 nan 0.1655 -0.0001
420 0.5108 nan 0.1655 -0.0000
440 0.5100 nan 0.1655 -0.0001
460 0.5091 nan 0.1655 -0.0000
480 0.5087 nan 0.1655 -0.0001
500 0.5080 nan 0.1655 -0.0001
520 0.5080 nan 0.1655 -0.0001
540 0.5074 nan 0.1655 -0.0001
560 0.5068 nan 0.1655 -0.0001
580 0.5064 nan 0.1655 -0.0000
600 0.5057 nan 0.1655 -0.0001
620 0.5053 nan 0.1655 -0.0001
640 0.5049 nan 0.1655 -0.0001
660 0.5046 nan 0.1655 -0.0001
680 0.5050 nan 0.1655 -0.0001
700 0.5035 nan 0.1655 -0.0001
720 0.5031 nan 0.1655 0.0000
740 0.5034 nan 0.1655 -0.0004
760 0.5030 nan 0.1655 -0.0003
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5264 nan 0.1700 0.0001
2 0.5260 nan 0.1700 0.0001
3 0.5255 nan 0.1700 0.0000
4 0.5252 nan 0.1700 0.0000
5 0.5249 nan 0.1700 -0.0000
6 0.5244 nan 0.1700 0.0000
7 0.5242 nan 0.1700 0.0000
8 0.5239 nan 0.1700 -0.0001
9 0.5238 nan 0.1700 -0.0001
10 0.5235 nan 0.1700 -0.0000
20 0.5220 nan 0.1700 -0.0006
40 0.5197 nan 0.1700 -0.0001
60 0.5189 nan 0.1700 -0.0001
80 0.5189 nan 0.1700 -0.0001
100 0.5170 nan 0.1700 -0.0001
120 0.5150 nan 0.1700 -0.0001
140 0.5134 nan 0.1700 -0.0001
160 0.5125 nan 0.1700 -0.0000
180 0.5111 nan 0.1700 -0.0000
200 0.5096 nan 0.1700 -0.0001
220 0.5090 nan 0.1700 -0.0001
240 0.5077 nan 0.1700 -0.0002
260 0.5066 nan 0.1700 -0.0001
280 0.5062 nan 0.1700 -0.0001
300 0.5049 nan 0.1700 -0.0001
320 0.5036 nan 0.1700 -0.0002
340 0.5020 nan 0.1700 -0.0001
360 0.5002 nan 0.1700 -0.0001
380 0.4992 nan 0.1700 -0.0001
400 0.4981 nan 0.1700 -0.0002
420 0.4973 nan 0.1700 -0.0001
440 0.4963 nan 0.1700 -0.0001
460 0.4954 nan 0.1700 -0.0001
480 0.4942 nan 0.1700 -0.0001
500 0.4935 nan 0.1700 -0.0002
520 0.4924 nan 0.1700 -0.0002
540 0.4919 nan 0.1700 -0.0002
560 0.4916 nan 0.1700 -0.0001
580 0.4911 nan 0.1700 -0.0001
600 0.4902 nan 0.1700 -0.0001
620 0.4907 nan 0.1700 -0.0014
640 0.4893 nan 0.1700 -0.0001
660 0.4881 nan 0.1700 -0.0003
680 0.4888 nan 0.1700 -0.0007
700 0.4872 nan 0.1700 -0.0000
720 0.4863 nan 0.1700 -0.0001
740 0.4854 nan 0.1700 -0.0001
760 0.4845 nan 0.1700 -0.0001
780 0.4844 nan 0.1700 -0.0002
800 0.4841 nan 0.1700 -0.0000
820 0.4845 nan 0.1700 -0.0002
840 0.4836 nan 0.1700 -0.0000
860 0.4835 nan 0.1700 -0.0002
880 0.4829 nan 0.1700 -0.0001
900 0.4820 nan 0.1700 -0.0001
920 0.4817 nan 0.1700 -0.0001
940 0.4816 nan 0.1700 -0.0001
960 0.4811 nan 0.1700 -0.0002
964 0.4813 nan 0.1700 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.1736 0.0001
2 0.5261 nan 0.1736 0.0001
3 0.5257 nan 0.1736 0.0001
4 0.5255 nan 0.1736 -0.0000
5 0.5254 nan 0.1736 -0.0000
6 0.5251 nan 0.1736 0.0000
7 0.5250 nan 0.1736 -0.0000
8 0.5247 nan 0.1736 0.0000
9 0.5246 nan 0.1736 -0.0001
10 0.5245 nan 0.1736 -0.0000
20 0.5233 nan 0.1736 -0.0001
40 0.5224 nan 0.1736 -0.0001
60 0.5212 nan 0.1736 -0.0001
80 0.5200 nan 0.1736 -0.0001
100 0.5196 nan 0.1736 -0.0001
120 0.5187 nan 0.1736 -0.0002
140 0.5179 nan 0.1736 -0.0001
160 0.5169 nan 0.1736 -0.0001
180 0.5162 nan 0.1736 -0.0001
200 0.5154 nan 0.1736 -0.0001
220 0.5147 nan 0.1736 -0.0001
235 0.5139 nan 0.1736 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.1769 0.0001
2 0.5260 nan 0.1769 0.0001
3 0.5258 nan 0.1769 0.0001
4 0.5255 nan 0.1769 0.0000
5 0.5253 nan 0.1769 -0.0000
6 0.5251 nan 0.1769 -0.0000
7 0.5248 nan 0.1769 0.0000
8 0.5246 nan 0.1769 0.0000
9 0.5244 nan 0.1769 0.0000
10 0.5243 nan 0.1769 -0.0001
20 0.5240 nan 0.1769 -0.0000
40 0.5225 nan 0.1769 -0.0001
60 0.5208 nan 0.1769 -0.0000
80 0.5196 nan 0.1769 -0.0001
100 0.5194 nan 0.1769 -0.0001
120 0.5184 nan 0.1769 -0.0000
140 0.5183 nan 0.1769 -0.0000
160 0.5170 nan 0.1769 -0.0001
180 0.5171 nan 0.1769 -0.0009
200 0.5164 nan 0.1769 -0.0001
220 0.5147 nan 0.1769 -0.0001
240 0.5142 nan 0.1769 -0.0001
260 0.5142 nan 0.1769 -0.0000
280 0.5130 nan 0.1769 -0.0000
300 0.5126 nan 0.1769 -0.0001
320 0.5126 nan 0.1769 -0.0000
340 0.5118 nan 0.1769 -0.0001
360 0.5120 nan 0.1769 -0.0003
380 0.5115 nan 0.1769 -0.0001
400 0.5111 nan 0.1769 -0.0001
420 0.5098 nan 0.1769 -0.0001
440 0.5093 nan 0.1769 -0.0001
460 0.5084 nan 0.1769 -0.0000
480 0.5082 nan 0.1769 -0.0001
500 0.5079 nan 0.1769 -0.0001
520 0.5073 nan 0.1769 -0.0000
540 0.5069 nan 0.1769 -0.0001
560 0.5067 nan 0.1769 -0.0001
580 0.5063 nan 0.1769 -0.0001
600 0.5070 nan 0.1769 -0.0000
620 0.5062 nan 0.1769 -0.0001
640 0.5069 nan 0.1769 -0.0009
660 0.5061 nan 0.1769 -0.0001
680 0.5061 nan 0.1769 -0.0002
700 0.5054 nan 0.1769 -0.0001
720 0.5054 nan 0.1769 -0.0001
740 0.5046 nan 0.1769 -0.0001
760 0.5039 nan 0.1769 -0.0001
780 0.5035 nan 0.1769 -0.0002
800 0.5034 nan 0.1769 -0.0001
820 0.5025 nan 0.1769 -0.0000
840 0.5022 nan 0.1769 -0.0001
860 0.5020 nan 0.1769 -0.0000
880 0.5016 nan 0.1769 -0.0001
900 0.5016 nan 0.1769 -0.0001
920 0.5008 nan 0.1769 -0.0001
940 0.5006 nan 0.1769 -0.0000
945 0.5005 nan 0.1769 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.1812 0.0001
2 0.5262 nan 0.1812 0.0002
3 0.5259 nan 0.1812 0.0000
4 0.5256 nan 0.1812 0.0000
5 0.5255 nan 0.1812 -0.0000
6 0.5254 nan 0.1812 -0.0000
7 0.5252 nan 0.1812 -0.0000
8 0.5250 nan 0.1812 0.0001
9 0.5249 nan 0.1812 -0.0001
10 0.5249 nan 0.1812 -0.0001
20 0.5241 nan 0.1812 -0.0004
40 0.5232 nan 0.1812 -0.0000
60 0.5223 nan 0.1812 -0.0001
80 0.5214 nan 0.1812 -0.0000
100 0.5207 nan 0.1812 -0.0000
120 0.5202 nan 0.1812 -0.0000
140 0.5198 nan 0.1812 -0.0001
160 0.5194 nan 0.1812 -0.0000
180 0.5188 nan 0.1812 -0.0001
200 0.5181 nan 0.1812 -0.0000
220 0.5177 nan 0.1812 -0.0001
240 0.5184 nan 0.1812 0.0000
260 0.5170 nan 0.1812 -0.0000
280 0.5167 nan 0.1812 -0.0001
300 0.5163 nan 0.1812 -0.0001
320 0.5162 nan 0.1812 -0.0001
340 0.5157 nan 0.1812 -0.0000
360 0.5153 nan 0.1812 -0.0001
380 0.5150 nan 0.1812 -0.0001
400 0.5147 nan 0.1812 -0.0000
420 0.5143 nan 0.1812 -0.0000
440 0.5141 nan 0.1812 -0.0001
460 0.5147 nan 0.1812 0.0000
480 0.5138 nan 0.1812 0.0000
500 0.5134 nan 0.1812 -0.0001
520 0.5130 nan 0.1812 -0.0001
540 0.5128 nan 0.1812 -0.0000
560 0.5125 nan 0.1812 -0.0001
580 0.5124 nan 0.1812 -0.0000
600 0.5122 nan 0.1812 -0.0001
620 0.5121 nan 0.1812 -0.0001
632 0.5119 nan 0.1812 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.1823 0.0000
2 0.5262 nan 0.1823 0.0000
3 0.5258 nan 0.1823 0.0001
4 0.5255 nan 0.1823 0.0001
5 0.5251 nan 0.1823 0.0001
6 0.5249 nan 0.1823 0.0000
7 0.5247 nan 0.1823 -0.0000
8 0.5246 nan 0.1823 -0.0001
9 0.5245 nan 0.1823 -0.0000
10 0.5244 nan 0.1823 -0.0000
20 0.5230 nan 0.1823 -0.0001
40 0.5214 nan 0.1823 -0.0000
60 0.5197 nan 0.1823 -0.0000
80 0.5190 nan 0.1823 -0.0000
100 0.5179 nan 0.1823 -0.0001
120 0.5184 nan 0.1823 -0.0001
140 0.5176 nan 0.1823 -0.0001
157 0.5163 nan 0.1823 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5264 nan 0.1829 0.0002
2 0.5260 nan 0.1829 0.0000
3 0.5257 nan 0.1829 0.0000
4 0.5254 nan 0.1829 -0.0000
5 0.5251 nan 0.1829 0.0001
6 0.5249 nan 0.1829 0.0000
7 0.5248 nan 0.1829 -0.0001
8 0.5246 nan 0.1829 0.0000
9 0.5244 nan 0.1829 -0.0000
10 0.5243 nan 0.1829 -0.0002
20 0.5231 nan 0.1829 -0.0001
40 0.5212 nan 0.1829 -0.0001
60 0.5198 nan 0.1829 -0.0000
80 0.5186 nan 0.1829 -0.0000
100 0.5177 nan 0.1829 -0.0002
120 0.5180 nan 0.1829 -0.0000
140 0.5179 nan 0.1829 -0.0001
160 0.5169 nan 0.1829 -0.0001
180 0.5160 nan 0.1829 -0.0001
192 0.5154 nan 0.1829 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5264 nan 0.1856 0.0003
2 0.5257 nan 0.1856 0.0002
3 0.5254 nan 0.1856 0.0000
4 0.5252 nan 0.1856 0.0000
5 0.5249 nan 0.1856 -0.0001
6 0.5247 nan 0.1856 0.0000
7 0.5245 nan 0.1856 -0.0000
8 0.5243 nan 0.1856 -0.0001
9 0.5241 nan 0.1856 -0.0000
10 0.5238 nan 0.1856 0.0000
20 0.5230 nan 0.1856 -0.0001
40 0.5208 nan 0.1856 -0.0000
60 0.5193 nan 0.1856 -0.0000
80 0.5177 nan 0.1856 -0.0001
100 0.5162 nan 0.1856 -0.0001
120 0.5157 nan 0.1856 -0.0001
140 0.5146 nan 0.1856 -0.0001
160 0.5137 nan 0.1856 0.0000
180 0.5122 nan 0.1856 -0.0001
200 0.5108 nan 0.1856 -0.0001
220 0.5131 nan 0.1856 -0.0002
240 0.5119 nan 0.1856 -0.0002
260 0.5125 nan 0.1856 -0.0002
280 0.5107 nan 0.1856 -0.0001
300 0.5098 nan 0.1856 -0.0001
320 0.5084 nan 0.1856 -0.0000
340 0.5083 nan 0.1856 -0.0001
360 0.5069 nan 0.1856 -0.0001
380 0.5069 nan 0.1856 -0.0001
400 0.5062 nan 0.1856 -0.0001
420 0.5049 nan 0.1856 -0.0001
440 0.5045 nan 0.1856 -0.0002
460 0.5036 nan 0.1856 -0.0001
480 0.5033 nan 0.1856 -0.0001
500 0.5036 nan 0.1856 -0.0001
520 0.5036 nan 0.1856 0.0000
540 0.5023 nan 0.1856 -0.0002
560 0.5020 nan 0.1856 0.0000
580 0.5007 nan 0.1856 -0.0001
600 0.5010 nan 0.1856 -0.0001
620 0.4999 nan 0.1856 -0.0001
640 0.4993 nan 0.1856 -0.0001
660 0.4988 nan 0.1856 -0.0001
680 0.4983 nan 0.1856 -0.0001
700 0.4976 nan 0.1856 -0.0001
720 0.4973 nan 0.1856 -0.0000
740 0.4968 nan 0.1856 -0.0001
760 0.4961 nan 0.1856 -0.0001
780 0.4961 nan 0.1856 -0.0001
800 0.4955 nan 0.1856 -0.0001
820 0.4946 nan 0.1856 -0.0001
840 0.4942 nan 0.1856 -0.0001
860 0.4935 nan 0.1856 -0.0001
880 0.4936 nan 0.1856 -0.0002
900 0.4932 nan 0.1856 -0.0001
908 0.4929 nan 0.1856 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5264 nan 0.1858 0.0002
2 0.5257 nan 0.1858 0.0001
3 0.5254 nan 0.1858 0.0000
4 0.5251 nan 0.1858 -0.0000
5 0.5263 nan 0.1858 -0.0017
6 0.5261 nan 0.1858 -0.0000
7 0.5258 nan 0.1858 0.0001
8 0.5263 nan 0.1858 -0.0011
9 0.5261 nan 0.1858 0.0001
10 0.5259 nan 0.1858 -0.0000
20 0.5242 nan 0.1858 -0.0000
40 0.5225 nan 0.1858 -0.0002
60 0.5196 nan 0.1858 -0.0001
80 0.5178 nan 0.1858 -0.0001
100 0.5167 nan 0.1858 -0.0001
120 0.5164 nan 0.1858 -0.0001
140 0.5150 nan 0.1858 -0.0000
160 0.5139 nan 0.1858 -0.0002
180 0.5129 nan 0.1858 -0.0002
200 0.5113 nan 0.1858 -0.0001
220 0.5113 nan 0.1858 -0.0003
240 0.5104 nan 0.1858 -0.0001
260 0.5091 nan 0.1858 -0.0001
280 0.5076 nan 0.1858 -0.0000
300 0.5062 nan 0.1858 -0.0001
320 0.5054 nan 0.1858 -0.0001
340 0.5049 nan 0.1858 -0.0001
351 0.5045 nan 0.1858 -0.0004
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5265 nan 0.1868 0.0001
2 0.5262 nan 0.1868 0.0001
3 0.5257 nan 0.1868 0.0001
4 0.5254 nan 0.1868 0.0001
5 0.5252 nan 0.1868 0.0000
6 0.5247 nan 0.1868 0.0001
7 0.5245 nan 0.1868 -0.0000
8 0.5244 nan 0.1868 0.0000
9 0.5243 nan 0.1868 -0.0001
10 0.5241 nan 0.1868 -0.0001
20 0.5229 nan 0.1868 -0.0001
40 0.5219 nan 0.1868 -0.0000
60 0.5204 nan 0.1868 -0.0001
80 0.5202 nan 0.1868 -0.0002
100 0.5194 nan 0.1868 -0.0000
120 0.5185 nan 0.1868 -0.0001
140 0.5176 nan 0.1868 -0.0001
160 0.5168 nan 0.1868 -0.0000
180 0.5166 nan 0.1868 -0.0001
200 0.5150 nan 0.1868 -0.0003
220 0.5143 nan 0.1868 -0.0001
240 0.5134 nan 0.1868 -0.0001
260 0.5126 nan 0.1868 -0.0006
280 0.5118 nan 0.1868 -0.0001
300 0.5111 nan 0.1868 -0.0001
320 0.5107 nan 0.1868 -0.0001
340 0.5099 nan 0.1868 -0.0001
360 0.5100 nan 0.1868 -0.0001
380 0.5094 nan 0.1868 -0.0001
400 0.5088 nan 0.1868 -0.0001
420 0.5087 nan 0.1868 -0.0000
440 0.5079 nan 0.1868 -0.0001
460 0.5080 nan 0.1868 -0.0002
480 0.5076 nan 0.1868 -0.0001
500 0.5068 nan 0.1868 -0.0001
520 0.5061 nan 0.1868 -0.0001
540 0.5057 nan 0.1868 -0.0001
560 0.5054 nan 0.1868 -0.0002
580 0.5048 nan 0.1868 -0.0001
600 0.5049 nan 0.1868 -0.0001
620 0.5040 nan 0.1868 -0.0001
640 0.5035 nan 0.1868 0.0000
660 0.5033 nan 0.1868 -0.0002
680 0.5032 nan 0.1868 -0.0001
700 0.5027 nan 0.1868 -0.0001
720 0.5020 nan 0.1868 -0.0001
740 0.5026 nan 0.1868 -0.0001
760 0.5022 nan 0.1868 -0.0002
780 0.5025 nan 0.1868 -0.0001
800 0.5018 nan 0.1868 -0.0001
820 0.5012 nan 0.1868 -0.0001
840 0.5010 nan 0.1868 -0.0001
860 0.5009 nan 0.1868 -0.0001
880 0.5001 nan 0.1868 -0.0001
900 0.4994 nan 0.1868 -0.0001
920 0.5002 nan 0.1868 -0.0001
940 0.4996 nan 0.1868 -0.0001
960 0.4997 nan 0.1868 -0.0001
964 0.4995 nan 0.1868 -0.0002
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5263 nan 0.1868 0.0002
2 0.5255 nan 0.1868 0.0001
3 0.5251 nan 0.1868 0.0000
4 0.5246 nan 0.1868 0.0001
5 0.5242 nan 0.1868 0.0000
6 0.5240 nan 0.1868 -0.0001
7 0.5236 nan 0.1868 -0.0001
8 0.5235 nan 0.1868 -0.0001
9 0.5232 nan 0.1868 -0.0001
10 0.5231 nan 0.1868 -0.0001
20 0.5216 nan 0.1868 -0.0002
40 0.5204 nan 0.1868 -0.0001
60 0.5176 nan 0.1868 -0.0001
80 0.5157 nan 0.1868 -0.0001
100 0.5142 nan 0.1868 -0.0001
120 0.5129 nan 0.1868 -0.0001
140 0.5117 nan 0.1868 -0.0003
160 0.5103 nan 0.1868 -0.0001
180 0.5092 nan 0.1868 -0.0001
200 0.5079 nan 0.1868 -0.0001
220 0.5068 nan 0.1868 -0.0001
240 0.5057 nan 0.1868 -0.0002
260 0.5043 nan 0.1868 -0.0001
280 0.5043 nan 0.1868 -0.0001
300 0.5045 nan 0.1868 -0.0002
320 0.5037 nan 0.1868 -0.0004
340 0.5023 nan 0.1868 -0.0002
360 0.5012 nan 0.1868 -0.0001
380 0.5006 nan 0.1868 -0.0001
400 0.5014 nan 0.1868 -0.0001
420 0.4999 nan 0.1868 -0.0001
440 0.4989 nan 0.1868 -0.0001
460 0.4979 nan 0.1868 -0.0001
480 0.4971 nan 0.1868 -0.0001
500 0.4964 nan 0.1868 -0.0001
520 0.4959 nan 0.1868 -0.0001
540 0.4951 nan 0.1868 -0.0001
560 0.4943 nan 0.1868 -0.0001
561 0.4942 nan 0.1868 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5263 nan 0.1877 0.0001
2 0.5258 nan 0.1877 0.0001
3 0.5255 nan 0.1877 0.0000
4 0.5252 nan 0.1877 0.0000
5 0.5250 nan 0.1877 0.0000
6 0.5248 nan 0.1877 0.0000
7 0.5247 nan 0.1877 -0.0001
8 0.5245 nan 0.1877 -0.0000
9 0.5243 nan 0.1877 0.0000
10 0.5242 nan 0.1877 -0.0001
20 0.5230 nan 0.1877 0.0000
40 0.5210 nan 0.1877 -0.0001
60 0.5195 nan 0.1877 -0.0001
80 0.5190 nan 0.1877 -0.0001
100 0.5181 nan 0.1877 -0.0002
120 0.5173 nan 0.1877 -0.0001
140 0.5165 nan 0.1877 -0.0001
160 0.5158 nan 0.1877 -0.0000
180 0.5149 nan 0.1877 -0.0001
200 0.5143 nan 0.1877 -0.0001
220 0.5136 nan 0.1877 -0.0002
240 0.5129 nan 0.1877 -0.0001
260 0.5123 nan 0.1877 -0.0001
280 0.5116 nan 0.1877 -0.0001
300 0.5111 nan 0.1877 -0.0001
320 0.5119 nan 0.1877 -0.0002
340 0.5101 nan 0.1877 -0.0001
360 0.5097 nan 0.1877 -0.0001
380 0.5093 nan 0.1877 -0.0003
400 0.5087 nan 0.1877 -0.0001
420 0.5093 nan 0.1877 -0.0001
425 0.5090 nan 0.1877 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5267 nan 0.1908 0.0001
2 0.5264 nan 0.1908 0.0000
3 0.5262 nan 0.1908 0.0001
4 0.5260 nan 0.1908 0.0001
5 0.5259 nan 0.1908 0.0001
6 0.5257 nan 0.1908 0.0000
7 0.5256 nan 0.1908 0.0000
8 0.5254 nan 0.1908 0.0000
9 0.5253 nan 0.1908 -0.0000
10 0.5252 nan 0.1908 0.0000
20 0.5248 nan 0.1908 0.0000
40 0.5243 nan 0.1908 -0.0000
60 0.5240 nan 0.1908 -0.0001
78 0.5238 nan 0.1908 -0.0000
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5264 nan 0.1913 0.0001
2 0.5259 nan 0.1913 0.0002
3 0.5257 nan 0.1913 -0.0001
4 0.5254 nan 0.1913 -0.0000
5 0.5251 nan 0.1913 -0.0000
6 0.5248 nan 0.1913 -0.0001
7 0.5247 nan 0.1913 -0.0001
8 0.5244 nan 0.1913 -0.0001
9 0.5242 nan 0.1913 0.0000
10 0.5241 nan 0.1913 -0.0001
20 0.5228 nan 0.1913 -0.0007
40 0.5208 nan 0.1913 -0.0001
60 0.5195 nan 0.1913 -0.0000
80 0.5187 nan 0.1913 -0.0010
100 0.5178 nan 0.1913 -0.0001
120 0.5158 nan 0.1913 -0.0000
140 0.5167 nan 0.1913 -0.0000
160 0.5149 nan 0.1913 -0.0000
180 0.5140 nan 0.1913 -0.0002
200 0.5133 nan 0.1913 -0.0001
212 0.5129 nan 0.1913 -0.0005
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5264 nan 0.1934 0.0002
2 0.5262 nan 0.1934 0.0000
3 0.5259 nan 0.1934 0.0001
4 0.5256 nan 0.1934 0.0000
5 0.5254 nan 0.1934 -0.0000
6 0.5252 nan 0.1934 0.0000
7 0.5250 nan 0.1934 0.0000
8 0.5249 nan 0.1934 -0.0000
9 0.5248 nan 0.1934 -0.0000
10 0.5246 nan 0.1934 0.0000
20 0.5239 nan 0.1934 0.0000
40 0.5229 nan 0.1934 -0.0001
60 0.5219 nan 0.1934 -0.0001
80 0.5213 nan 0.1934 -0.0000
100 0.5208 nan 0.1934 -0.0001
120 0.5202 nan 0.1934 -0.0001
140 0.5197 nan 0.1934 -0.0001
160 0.5203 nan 0.1934 -0.0001
180 0.5196 nan 0.1934 -0.0001
200 0.5191 nan 0.1934 -0.0001
220 0.5188 nan 0.1934 -0.0001
240 0.5183 nan 0.1934 -0.0000
260 0.5179 nan 0.1934 -0.0000
280 0.5171 nan 0.1934 0.0001
300 0.5174 nan 0.1934 -0.0001
320 0.5167 nan 0.1934 -0.0001
340 0.5164 nan 0.1934 -0.0001
360 0.5161 nan 0.1934 -0.0001
380 0.5159 nan 0.1934 -0.0000
400 0.5157 nan 0.1934 -0.0001
420 0.5154 nan 0.1934 -0.0000
440 0.5151 nan 0.1934 -0.0000
460 0.5147 nan 0.1934 -0.0000
480 0.5144 nan 0.1934 -0.0001
500 0.5141 nan 0.1934 -0.0001
520 0.5138 nan 0.1934 -0.0001
540 0.5138 nan 0.1934 -0.0001
555 0.5135 nan 0.1934 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5263 nan 0.1936 0.0002
2 0.5258 nan 0.1936 0.0000
3 0.5254 nan 0.1936 0.0001
4 0.5249 nan 0.1936 0.0002
5 0.5245 nan 0.1936 0.0001
6 0.5243 nan 0.1936 -0.0000
7 0.5240 nan 0.1936 -0.0000
8 0.5239 nan 0.1936 -0.0001
9 0.5237 nan 0.1936 -0.0000
10 0.5239 nan 0.1936 -0.0006
20 0.5228 nan 0.1936 -0.0000
40 0.5212 nan 0.1936 -0.0000
60 0.5194 nan 0.1936 -0.0001
80 0.5178 nan 0.1936 -0.0001
100 0.5175 nan 0.1936 -0.0000
120 0.5164 nan 0.1936 -0.0001
140 0.5143 nan 0.1936 -0.0001
160 0.5149 nan 0.1936 -0.0019
180 0.5132 nan 0.1936 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5262 nan 0.1961 0.0001
2 0.5258 nan 0.1961 -0.0000
3 0.5254 nan 0.1961 0.0000
4 0.5250 nan 0.1961 0.0000
5 0.5248 nan 0.1961 -0.0000
6 0.5246 nan 0.1961 -0.0001
7 0.5243 nan 0.1961 -0.0000
8 0.5240 nan 0.1961 -0.0000
9 0.5237 nan 0.1961 -0.0000
10 0.5235 nan 0.1961 -0.0000
20 0.5220 nan 0.1961 -0.0001
40 0.5204 nan 0.1961 -0.0001
60 0.5186 nan 0.1961 -0.0001
80 0.5169 nan 0.1961 -0.0004
100 0.5153 nan 0.1961 -0.0001
120 0.5141 nan 0.1961 -0.0000
140 0.5132 nan 0.1961 -0.0002
160 0.5117 nan 0.1961 -0.0001
180 0.5107 nan 0.1961 -0.0001
200 0.5103 nan 0.1961 -0.0001
220 0.5099 nan 0.1961 -0.0001
240 0.5089 nan 0.1961 -0.0001
260 0.5079 nan 0.1961 -0.0001
280 0.5075 nan 0.1961 -0.0001
300 0.5065 nan 0.1961 -0.0002
320 0.5058 nan 0.1961 -0.0002
340 0.5052 nan 0.1961 -0.0001
360 0.5046 nan 0.1961 -0.0001
380 0.5040 nan 0.1961 -0.0002
400 0.5032 nan 0.1961 -0.0001
420 0.5028 nan 0.1961 -0.0001
440 0.5031 nan 0.1961 -0.0002
460 0.5021 nan 0.1961 -0.0002
480 0.5013 nan 0.1961 -0.0001
500 0.5003 nan 0.1961 -0.0001
520 0.4994 nan 0.1961 -0.0001
540 0.4989 nan 0.1961 -0.0002
560 0.4986 nan 0.1961 -0.0001
580 0.4980 nan 0.1961 -0.0001
600 0.4974 nan 0.1961 -0.0001
620 0.4966 nan 0.1961 -0.0001
640 0.4960 nan 0.1961 -0.0001
660 0.4955 nan 0.1961 -0.0001
680 0.4947 nan 0.1961 -0.0001
700 0.4943 nan 0.1961 -0.0002
720 0.4954 nan 0.1961 -0.0002
740 0.4949 nan 0.1961 -0.0001
760 0.4951 nan 0.1961 -0.0001
780 0.4947 nan 0.1961 -0.0001
800 0.4956 nan 0.1961 -0.0002
820 0.4943 nan 0.1961 -0.0001
840 0.4932 nan 0.1961 -0.0001
845 0.4931 nan 0.1961 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5263 nan 0.1962 0.0002
2 0.5260 nan 0.1962 0.0000
3 0.5257 nan 0.1962 -0.0000
4 0.5255 nan 0.1962 -0.0000
5 0.5251 nan 0.1962 0.0001
6 0.5248 nan 0.1962 0.0000
7 0.5246 nan 0.1962 0.0000
8 0.5245 nan 0.1962 -0.0001
9 0.5244 nan 0.1962 -0.0000
10 0.5243 nan 0.1962 -0.0001
20 0.5232 nan 0.1962 -0.0001
40 0.5219 nan 0.1962 -0.0001
60 0.5203 nan 0.1962 -0.0001
80 0.5193 nan 0.1962 -0.0002
100 0.5184 nan 0.1962 -0.0001
120 0.5175 nan 0.1962 -0.0001
140 0.5165 nan 0.1962 -0.0001
160 0.5157 nan 0.1962 -0.0001
180 0.5152 nan 0.1962 -0.0001
200 0.5146 nan 0.1962 -0.0001
220 0.5140 nan 0.1962 -0.0001
237 0.5133 nan 0.1962 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5263 nan 0.1983 0.0002
2 0.5257 nan 0.1983 0.0001
3 0.5253 nan 0.1983 0.0001
4 0.5250 nan 0.1983 0.0000
5 0.5249 nan 0.1983 -0.0000
6 0.5247 nan 0.1983 0.0000
7 0.5246 nan 0.1983 -0.0001
8 0.5243 nan 0.1983 -0.0000
9 0.5241 nan 0.1983 0.0000
10 0.5240 nan 0.1983 -0.0001
20 0.5229 nan 0.1983 -0.0001
40 0.5213 nan 0.1983 -0.0002
60 0.5201 nan 0.1983 -0.0001
80 0.5189 nan 0.1983 -0.0001
100 0.5182 nan 0.1983 -0.0001
120 0.5172 nan 0.1983 -0.0000
140 0.5162 nan 0.1983 -0.0001
160 0.5155 nan 0.1983 -0.0001
180 0.5148 nan 0.1983 0.0000
200 0.5141 nan 0.1983 -0.0001
220 0.5134 nan 0.1983 -0.0002
240 0.5129 nan 0.1983 -0.0002
260 0.5126 nan 0.1983 -0.0001
280 0.5120 nan 0.1983 -0.0001
300 0.5114 nan 0.1983 -0.0001
320 0.5108 nan 0.1983 -0.0001
340 0.5104 nan 0.1983 -0.0001
360 0.5098 nan 0.1983 -0.0000
380 0.5094 nan 0.1983 -0.0000
400 0.5089 nan 0.1983 -0.0002
420 0.5082 nan 0.1983 -0.0001
440 0.5077 nan 0.1983 -0.0001
460 0.5072 nan 0.1983 -0.0001
480 0.5068 nan 0.1983 -0.0001
500 0.5064 nan 0.1983 -0.0002
520 0.5060 nan 0.1983 -0.0001
540 0.5057 nan 0.1983 -0.0001
560 0.5052 nan 0.1983 -0.0001
580 0.5048 nan 0.1983 -0.0001
600 0.5043 nan 0.1983 -0.0000
620 0.5052 nan 0.1983 -0.0001
640 0.5050 nan 0.1983 -0.0001
660 0.5045 nan 0.1983 -0.0000
680 0.5044 nan 0.1983 -0.0002
700 0.5041 nan 0.1983 -0.0001
720 0.5035 nan 0.1983 -0.0001
740 0.5031 nan 0.1983 -0.0001
760 0.5026 nan 0.1983 -0.0001
780 0.5023 nan 0.1983 -0.0002
800 0.5020 nan 0.1983 -0.0001
820 0.5016 nan 0.1983 -0.0001
837 0.5011 nan 0.1983 -0.0001
Iter TrainDeviance ValidDeviance StepSize Improve
1 0.5289 nan 0.0215 0.0000
2 0.5289 nan 0.0215 0.0000
3 0.5288 nan 0.0215 0.0000
4 0.5288 nan 0.0215 0.0000
5 0.5288 nan 0.0215 0.0000
6 0.5287 nan 0.0215 0.0000
7 0.5287 nan 0.0215 0.0000
8 0.5287 nan 0.0215 0.0000
9 0.5286 nan 0.0215 0.0000
10 0.5286 nan 0.0215 0.0000
20 0.5283 nan 0.0215 0.0000
40 0.5279 nan 0.0215 0.0000
60 0.5276 nan 0.0215 0.0000
80 0.5273 nan 0.0215 0.0000
100 0.5272 nan 0.0215 0.0000
120 0.5270 nan 0.0215 0.0000
140 0.5269 nan 0.0215 -0.0000
160 0.5267 nan 0.0215 0.0000
180 0.5266 nan 0.0215 -0.0000
200 0.5265 nan 0.0215 -0.0000
220 0.5264 nan 0.0215 -0.0000
240 0.5264 nan 0.0215 -0.0000
256 0.5263 nan 0.0215 -0.0000Model Inspection
In this section we will inspect the model, please note that these are the key inspection steps, however there are other things to take into consideration.
We first look at the variable importance. This is the key variables that the model detected to predict the target.
var rel.inf
veh_value veh_value 41.8116272
agecat agecat 34.0979800
veh_bodyUTE veh_bodyUTE 8.6390381
veh_age veh_age 5.2497066
area.D area.D 3.3966231
veh_bodyPANVN veh_bodyPANVN 2.1762529
veh_bodyHDTOP veh_bodyHDTOP 0.8515127
area.B area.B 0.6786588
veh_bodyBUS_Class veh_bodyBUS_Class 0.6688675
veh_bodySEDAN veh_bodySEDAN 0.4987679
area.C area.C 0.4727447
veh_bodySPORT_Class veh_bodySPORT_Class 0.4163808
area.F area.F 0.3734241
area.A area.A 0.2591366
gender.F gender.F 0.2221002
area.E area.E 0.1871786
veh_bodyHBACK veh_bodyHBACK 0.0000000
veh_bodyMCARA veh_bodyMCARA 0.0000000
veh_bodySTNWG veh_bodySTNWG 0.0000000
gender.M gender.M 0.0000000Here we can see that veh_value and agecat were identified as the most predictive variables.
We can also inspect the performance of the model as the number of trees increase, in the plot below, the blue line indicates the optimal number of trees to be fitted. Some implementations of the GBM model allows for early stopping, this can significantly speed up the training process. Please refer to this link for more information.
[1] 114
attr(,"smoother")
Call:
loess(formula = object$oobag.improve ~ x, enp.target = min(max(4,
length(x)/10), 50))
Number of Observations: 256
Equivalent Number of Parameters: 20.73
Residual Standard Error: 0.000002153 If we inspect the entire model, we will see the full output of each iteration. The last line specifies which model was selected.
Stochastic Gradient Boosting
50892 samples
21 predictor
No pre-processing
Resampling: Cross-Validated (3 fold)
Summary of sample sizes: 33928, 33928, 33928
Resampling results across tuning parameters:
shrinkage interaction.depth n.minobsinnode n.trees RMSE
0.0105 4 17 623 0.2796913
0.0177 2 55 747 0.2797509
0.0178 5 49 826 0.2800402
0.0205 3 48 805 0.2798021
0.0215 1 85 256 0.2796373
0.0240 2 28 790 0.2798250
0.0244 3 4 745 0.2861232
0.0264 2 4 323 0.2796823
0.0272 0 14 743 NaN
0.0273 2 57 126 0.2796525
Rsquared MAE
0.0015883241 0.1353419
0.0013671707 0.1356119
0.0009059742 0.1353134
0.0014351004 0.1353857
0.0017559770 0.1359073
0.0012157671 0.1358156
0.0009264449 0.1363464
0.0016252723 0.1357374
NaN NaN
0.0016932879 0.1356833
[ reached getOption("max.print") -- omitted 90 rows ]
RMSE was used to select the optimal model using the smallest value.
The final values used for the model were n.trees = 256, interaction.depth =
1, shrinkage = 0.0215 and n.minobsinnode = 85.Model Validation
In order to decide if the model is good, we need to evaluate the performance of this model. The first thing to note is that the definition of a good model is relative. Primarily, it is relative to what the benchmark is. Thus, if you have an existing model, the model evaluation metrics should be compared with the existing model. A metric, such as the Gini or RMSE on its own does not mean anything! Saying we have a Gini equal to 0.6 (higher being better) does NOT imply a good or bad model. However, with that said, we do know that a bad model is one with a Gini equal to 0.
We don’t have a baseline model, so what we need to do is compare the prediction stability between the training and testing set :
# Get predictions on your testing data
trainDF$pred <- predict(object = objModel, trainDF)
liftDatTrain <- data.frame(obs = trainDF$numclaims, pred = trainDF$pred) %>%
arrange(-pred) %>%
mutate(perc = obs/sum(obs),
obsCum = cumsum(obs),
predCum = cumsum(pred),
n = 100 * (1:nrow(.))/nrow(.))
giniTrain <- MLmetrics::NormalizedGini(y_pred = trainDF$pred, y_true = trainDF$numclaims)
rmseTrain <- RMSE(trainDF$pred, trainDF$numclaims)
liftDatTrain %>%
plotly::plot_ly(x = ~n, y = ~obsCum, type = 'scatter', mode = 'lines', name = "Observed") %>%
plotly::add_lines(x = ~n, y = ~predCum, type = 'scatter', mode = 'lines', name = "Predicted") %>%
plotly::layout(title = "Train Data - Lift Curve",
xaxis = list(title = "Percentiles"),
yaxis = list(title = "Observed/Predicted")) %>%
plotly::add_annotations(x = 20,
y = 2875,
text = paste0("gini = ", giniTrain %>% round(digits = 4)),
showarrow = FALSE) %>%
plotly::add_annotations(x = 20,
y = 2750,
text = paste0("RMSE = ", rmseTrain %>% round(digits = 4)),
showarrow = FALSE)# Get predictions on your testing data
testDF$pred <- predict(object = objModel, testDF)
liftDatTest <- data.frame(obs = testDF$numclaims, pred = testDF$pred) %>%
arrange(-pred) %>%
mutate(perc = obs/sum(obs),
obsCum = cumsum(obs),
predCum = cumsum(pred),
n = 100 * (1:nrow(.))/nrow(.))
giniTest <- MLmetrics::NormalizedGini(y_pred = testDF$pred, y_true = testDF$numclaims)
rmseTest <- RMSE(testDF$pred, testDF$numclaims)
liftDatTest %>%
plotly::plot_ly(x = ~n, y = ~obsCum, type = 'scatter', mode = 'lines', name = "Observed") %>%
plotly::add_lines(x = ~n, y = ~predCum, type = 'scatter', mode = 'lines', name = "Predicted") %>%
plotly::layout(title = "Test Data - Lift Curve",
xaxis = list(title = "Percentiles"),
yaxis = list(title = "Observed/Predicted")) %>%
plotly::add_annotations(x = 20,
y = 1075,
text = paste0("gini = ", giniTest %>% round(digits = 4)),
showarrow = FALSE) %>%
plotly::add_annotations(x = 20,
y = 950,
text = paste0("RMSE = ", rmseTest %>% round(digits = 4)),
showarrow = FALSE)Here we can see that the Gini and RMSE are relatively close to one another. The Gini is a bit further away from the train set than hoped for, but it isn’t too far. We can also see from the plot that the model tend to over-predict on the test set, which will lead to slightly more conservative results (which in insurance isn’t a bad thing).
Finally, we take a look at partial dependence plots, these can be thought of as the impact that the model derives from each variable (on average) with respect to the response.
Clearly, the more expensive the vehicle becomes, the more higher the claim frequency becomes, there is an odd behavior around 6.8 - this might be due to low number of vehicles in this category and we might want to group them with another category.
We can also see that as the age category increases, the risk of claiming decreases. This is a typical and expected result.
Some other things to consider :
- Interaction between variables
- Localized interpretation
- Observed and Expected plots by variable separated for train and test sets
Quck Glance at GBMs
GBMs are made up of weak learners. What this means, is that it is a combination of models, each one slightly improving the previous one where the final result is a model which can very accurately predict the behavior of the underlying data.
General Idea
The first tree fit in the series is a single decision stump (i.e. a tree with a single split). Each successive decision stump thereafter is fit to the previous one’s residuals (errors). Initially there are large errors, but each additional decision stump in the sequence makes a small improvement in different areas across the feature space where errors still remain.
The improvements between each step are done using a method called Gradient Descent.
Gradient Descent
Gradient boosting is considered a gradient descent algorithm. Gradient descent is a very generic optimization algorithm capable of finding optimal solutions to a wide range of problems. The general idea of gradient descent is to tweak parameter(s) iteratively in order to minimize a cost function (loss function).
Suppose you are a downhill skier racing your friend. A good strategy to beat your friend to the bottom is to take the path with the steepest slope. This is exactly what gradient descent does.
Gradient Decent is controlled mainly with 2 parameters :
- The learning rate
- The number of steps (trees)
Step Size Issues
If the learning rate is too big, we can end up “overshooting” the minimum, whereas if it is too small, we might never reach the minimum.
Why not simply choose a small learning rate but increase the number of tress to be really big? Well, there are 2 reasons for this :
- Time… The more trees you choose the longer it will take to train the model
- Overfitting, if we set the trees to be very large and the learning rate small, we might end up learning the noise in the data
Non-convex Issue
The final point to mention is that most often we won’t be facing nice convex optimization issues as illustrated above. In reality, we will be faced with non-convex spaces, with many local minima and a single global minima.
As illustrated above, there are 2 “paths” to take and they will both lead to different results - one local minima and then also the global minima. However, if the algorithm stared “heading” towards the local minima we would never be able to reach the global minima.
This problem becomes more complex with adding more variables.
There is no way we can solve this problem algorithmically, hence we can never guarantee that we have the best possible model. One way to solve this issues is by choosing a number of different starting points resulting in a large number of models and then choosing the model with the best results.
A solution to this problem is using a parameter search space. We can perform this search in many ways, but the most common forms of these searches are :
- A Grid Search
- A Random Search
A grid search uniformly covers the entire search space, whereas a random search covers a wide range of values.
With small data sets and lots of resources, Grid Search will produce accurate results. However, with large data sets, the high dimensions will greatly slow down computation time and be very costly. In this instance, it is advised to use Randomized Search since the number of iterations is explicitly defined by the data scientist.
Conclusion
GBMs are very powerful, but it comes with its own set of problems.
- Interpretability
- Implementation
A general issue with “advanced” ML algorithms is that they become more difficult to interpret and are widely considered as “black box models” where we imagine the computer is building a model with the human not knowing what exactly is being done. This interpretable issue is getting solved day-by-day, for a model-agnostic interpretation please refer to this book.
Linear models can easily be implemented in any IT system, as a prediction via a linear model is simply using a “rule-based” approach, where we load up a coefficient table and make our predictions via this table and some transformation (like exponentiate it, potentially). The implementation of GBMs is much more tricky, since a model is a combination of trees, each tree having a number of splits (these can individually be considered to be rule based). The solution to this problem is a little bit more technical, but easily solved in these days. We can use APIs to expose our models to an external environment (which in turn can call our model). You can learn more about APIs via R in this article.
For more information on GBMs please refer to this link or search the internet for resources.